מנהיגי מחשבה
שילוב בינה מלאכותית ב-RCM בתחום הבריאות: מדוע בני אדם חייבים להישאר במעגל
בינה מלאכותית הפכה להיות מרכיב בניהול מחזור ההכנסות של שירותי הבריאות (RCM) מכיוון שמנהיגי הכספים מבקשים לספק מידה של הקלה למחלקות עמוסות יתר וחסרות כוח אדם, המתמודדות עם כמויות חסרות תקדים של דרישות ביקורת של צד שלישי ושיעורי דחיה עולים.
לפי ההודעה החדשה שפורסמה דוח בנצ'מרק לשנת 2023, השקעות הולכות וגדלות בפלטפורמות נתונים, בינה מלאכותית וטכנולוגיות אפשרו למחלקות תאימות ותקינות הכנסות לצמצם את גודל הצוות שלהן ב-33% תוך ביצוע של 10% יותר בפעילויות ביקורת בהשוואה לשנת 2022. בתקופה שבה המחסור בכוח אדם ב-RCM גדול, AI מספקת הגברת פרודוקטיביות קריטית.
ארגוני שירותי בריאות מדווחים כעת על פי 100 יותר בקשות ביקורת ממה שהתקבלו בשנים קודמות - ומכתבי הביקוש לביקורת נמשכים יותר מ-XNUMX עמודים. זה המקום שבו בינה מלאכותית זורחת - היכולת הגדולה ביותר שלה היא חשיפת חריגים ומחטים בערימת השחת על פני מיליוני נקודות נתונים. בינה מלאכותית מייצגת יתרון תחרותי משמעותי לפונקציית ה-RCM, ומנהיגי כספים בתחום הבריאות שפוסלים בינה מלאכותית כהייפ ימצאו בקרוב את הארגונים שלהם נשארים מאחור.
איפה AI יכול ליפול
AI אוטונומי באמת בתחום הבריאות הוא חלום צינור. אמנם זה נכון שבינה מלאכותית אפשרה את האוטומציה של משימות RCM רבות, אך ההבטחה למערכות אוטונומיות מלאות נותרה לא ממומשת. זה נובע בין השאר מהנטייה של ספקי תוכנה להתמקד בטכנולוגיה מבלי להקדיש תחילה את הזמן להבין את זרימות העבודה הממוקדות, וחשוב מכך, נקודות המגע האנושיות בתוכם - פרקטיקה שמובילה לאינטגרציה לא יעילה של AI ולאימוץ משתמש קצה.
בני אדם חייבים תמיד להיות בעניינים כדי להבטיח שבינה מלאכותית יכולה לתפקד כראוי בסביבת RCM מורכבת. דיוק ודיוק נותרו האתגרים הקשים ביותר עם בינה מלאכותית אוטונומית וכאן שילוב בני אדם במעגל ישפר את התוצאות. אמנם ייתכן שההימור אינו גבוה עבור RCM כפי שהם על הצד הקליני, אך ההשלכות של פתרונות בינה מלאכותית מעוצבים בצורה גרועה הן בכל זאת משמעותיות.
ההשפעות הכספיות הן הברורות ביותר עבור ארגוני בריאות. כלי בינה מלאכותית בעלי הכשרה לקויה המשמשים לביצוע ביקורת תביעות עתידיות עלולות להחמיץ מקרים של קידוד חסר, כלומר החמצת הזדמנויות הכנסה. לקוח אחד של MDaudit גילה שכלל שגוי במערכת הקידוד האוטונומית שלהם היה קידוד שגוי של יחידות תרופות שניהלו, והביא לאובדן הכנסות של 25 מיליון דולר. השגיאה לעולם לא הייתה נתפסת ומתוקנת אלמלא אדם שנמצא בלולאה שחשף את הפגם.
באופן דומה, בינה מלאכותית יכולה גם להיעדר עם תוצאות קידוד יתר עם תוצאות חיוביות שגויות - תחום שבו ארגוני בריאות חייבים לעמוד בציות בהתאם למשימתה של הממשלה להילחם בהונאה, התעללות ובזבוז (FWA) במערכת הבריאות.
AI מעוצב בצורה גרועה יכול להשפיע גם על ספקים בודדים. שקול את ההשלכות אם כלי בינה מלאכותית אינו מאומן כראוי על הרעיון של "ספק בסיכון" במובן של מחזור ההכנסות. רופאים עלולים למצוא את עצמם ממוקדים באופן לא הוגן לבדיקה והכשרה נוספת אם הם ייכללו בסריקות עבור ספקים בסיכון עם שיעורי הכחשה גבוהים. זה מבזבז זמן שצריך להשקיע בביקור חולים, מאט את תזרים המזומנים על ידי דחיית תביעות לביקורות עתידיות, ועלול לפגוע במוניטין שלהם על ידי הטחת תווית "בעייתית".
שמירה על בני אדם במעגל
מניעת סוגים אלה של תוצאות שליליות מחייבת אנשים במעגל. ישנם שלושה תחומים של AI במיוחד שתמיד ידרשו מעורבות אנושית כדי להשיג תוצאות מיטביות.
1. בניית בסיס נתונים חזק.
בניית בסיס נתונים איתן היא קריטית, שכן מודל הנתונים הבסיסי עם מטא נתונים נאותים, איכות נתונים וממשל הוא המפתח לאפשר AI להשיג יעילות שיא. כדי שזה יקרה, למפתחים צריך להקדיש זמן להיכנס לתעלות עם מובילי תאימות לחיוב, קידוד ומחזור הכנסות וצוות כדי להבין במלואו את זרימות העבודה והנתונים הדרושים לביצוע תפקידם.
זיהוי חריגות אפקטיבי מצריך לא רק נתוני חיוב, הכחשות ונתוני תביעות אחרים, אלא גם הבנה של יחסי הגומלין המורכבים בין ספקים, קודנים, משלמים, משלמים וכו' כדי להבטיח שהטכנולוגיה מסוגלת להעריך באופן רציף סיכונים בזמן אמת ולספק ל- למשתמשים את המידע הדרוש כדי למקד את הפעולות והפעילויות שלהם בדרכים המניעות תוצאות מדידות. אם ארגונים מדלגים על בסיס הנתונים ומאיצים את הפריסה של דגמי הבינה המלאכותית שלהם באמצעות כלים מבריקים, זה יביא להזיות ולתוצאות שגויות ממודלים של הבינה המלאכותית שיגרמו לרעש ויפריעו לאימוץ.
2. אימון רציף.
Healthcare RCM הוא מקצוע המתפתח ללא הרף הדורש השכלה מתמשכת כדי להבטיח שאנשי המקצוע שלו מבינים את התקנות, המגמות והעדיפויות העדכניות ביותר. הדבר נכון גם לגבי כלי RCM התומכים בבינה מלאכותית. למידת חיזוק מאפשרת לבינה מלאכותית להרחיב את בסיס הידע שלה ולהגביר את הדיוק שלה. קלט המשתמש הוא קריטי לחידוד ולעדכונים כדי להבטיח שכלי AI עונים על צרכים נוכחיים ועתידיים.
בינה מלאכותית צריכה להיות ניתנת לאימון בזמן אמת, ולאפשר למשתמשי קצה לספק קלט ומשוב באופן מיידי על תוצאות חיפוש מידע ו/או ניתוח כדי לתמוך בלמידה מתמשכת. כמו כן, אמור להיות לאפשר למשתמשים לסמן נתונים כלא בטוחים כאשר יש הצדקה כדי למנוע את ההגברה שלהם בקנה מידה. לדוגמה, ייחוס הפסד כספי או סיכון ציות לגופים או אנשים ספציפיים מבלי להסביר כראוי מדוע זה מתאים לעשות זאת.
3. ממשל תקין.
בני אדם חייבים לאמת את הפלט של AI כדי להבטיח שהוא בטוח. אפילו עם קידוד אוטונומי, איש מקצוע בתחום הקידוד חייב לוודא ש-AI "למד" כראוי כיצד להחיל ערכות קוד מעודכנות או להתמודד עם דרישות רגולטוריות חדשות. כאשר בני אדם אינם נכללים במעגל הממשל, ארגון שירותי בריאות משאיר את עצמו פתוח לרווחה לזליגת הכנסות, תוצאות ביקורת שליליות, אובדן מוניטין ועוד.
אין ספק שבינה מלאכותית יכולה לשנות את שירותי הבריאות, במיוחד RCM. עם זאת, לעשות זאת מחייב ארגוני בריאות להגדיל את ההשקעות הטכנולוגיות שלהם עם הכשרה אנושית וכוח אדם כדי לייעל את הדיוק, הפרודוקטיביות והערך העסקי.
