AIを活用した自動化で入金計上のボトルネックを解消する方法

医療業界では、何十年にもわたり、支払い処理のペーパーレス化が進められてきました。現在、支払者は支払いと否認の詳細を、標準ファイルであるElectronic Data Interchange (EDI) 835を通じて電子的に送信しています。これにより紙が不要になり、誰もが共通の形式で処理できるようになりました。しかし、データの標準化によって手作業の一部は減ったものの、処理が自動化されたわけではありません。ファイルが電子的に届くことと、支払いが自動で計上されることは別です。EDI 835ファイルが届いても、担当者はファイルを開き、支払者ごとのコードを読み、支払いを1件ずつ計上し、否認処理を手作業で行っています。

こうした手作業には多額の費用がかかり、その負担は増え続けています。Experian Healthによる2025年の請求状況調査では、医療提供者の41％が、請求の少なくとも10件に1件が否認されると回答しました。また、Kodiak Solutionsの推計によると、医療提供者が2025年に否認と不良債権によって失った額は480億ドルを超え、前年よりおよそ4分の1増加しました。口座の精算が完了するまでに、担当者はすべての支払いと否認について計上、照合、処理を行わなければならず、その大半はいまも手作業です。

入金計上が手作業のまま続く理由

入金計上が手作業のままなのは、技術よりもルールそのものに原因があります。支払者ごとにファイルの処理方法が異なり、状況や例外に応じてルールも変わるため、例外的なケースは、誰かが記録に残すよりも速いペースで積み重なっていきます。そもそも、文書化されていないルールも少なくありません。そうしたルールは、経験豊富な請求担当者の一部の頭の中にしかなく、組織内で一貫して適用できず、システムに引き継ぐことも容易ではありません。ルールが記録されていなければ、請求の処理に時間がかかり、回避できる否認を見逃し、初回の請求で本来得られるはずの金額を回収できないこともよくあります。

大規模言語モデルがここで実際に果たす役割

従来の自動化は、問題のない予測可能な請求には対応できますが、それ以外の処理で行き詰まります。ルールエンジンが実行できるのは、あらかじめ人がプログラムした処理だけです。支払者から未対応の調整コードが初めて送られてくると、その請求は担当者による確認に回されます。支払者ごとの差異が大きいため、多くの請求がこの確認待ちの列に入ってしまいます。

大規模言語モデルは、経験豊富な請求担当者と同じように請求内容を読み取ることで、この隔たりを埋めます。請求の背景情報を取り込み、請求の内容や適用される支払者のルール、例外への対処方法を判断したうえで、支払いを計上するシステムに引き渡します。モデルが判断を担い、システムは毎回同じ方法で支払いを計上します。

私たちが構築したシステム

Marlabsは、北米全域の救急医療サービス事業者に代わって支払いを処理する医療請求代行会社向けに、まさにこの仕組みを構築しました。同社は月に約85,000件の支払いを処理しており、処理件数の増加と支払者ごとの複雑さの高まりに、採用を増やすだけではチームが追いつけなくなっていました。

最も重要だったのは、同社が文書化していなかったルールをシステムがどう扱うかでした。同社には実際には存在しない支払者向けのルールブックを読み込ませるのではなく、請求担当者の業務の進め方と、支払者が実際に支払った内容からAIに学習させました。AIはルールを提案し、実際の結果と照らして検証し、事業にとって最も重要な成果、つまり、何度も異議申し立てをした後ではなく初回の請求で、保険から支払われる金額をより多く回収できるよう調整しました。一部の担当者の頭の中にあった知識は、同社がようやく把握し、改善できるルールになりました。

すべての請求を人が確認

すべての請求は、確定する前に必ず人の確認を経ます。システムは請求を計上し、その処理内容も示すため、確認担当者は問題のない請求についてAIが何をしたかを確認し、数秒で承認できます。AIの判断が確かでない場合や、請求担当者の介入が必要だった場合には、何が問題と見られたのか、システムが何を推奨するのかを、請求にわかりやすく説明します。こうしたケースでは、AIによって確認を迅速化しながら、すべての請求に対する説明責任は本来あるべき場所、つまり人と会社が担います。

成果

成果をもたらしたのは、技術そのものよりも、こうした設計上の工夫でした。同社では現在、支払いの約85％を自動で計上しており、チームは本当に判断が必要な請求に時間を使えるようになりました。計上ミスは95％減少し、システム間の照合もより正確になりました。チームは支払者ごとの否認をより迅速に解決できるようになり、例外の発生とその解決状況をリアルタイムで確認できるようになったのも初めてのことです。支払者ごとのコンプライアンス要件に沿って拡張できる枠組みを設計したため、処理件数が増えても人員を増やす必要はありません。

医療収益サイクルを担う方にとっての意味

• 支払いの計上など、処理件数が多くルールに基づく業務から始めましょう。ルールがすでに文書化されているなら、それを活用してください。まだ文書化されていない場合は、それを改善の機会と捉え、支払者が実際に支払った内容に基づいて、AIにルールを見つけて検証させましょう。
• 例外だけでなく、すべての請求に人の確認を入れ、AIには処理内容を示させましょう。そうすれば、問題のない請求は数秒で承認できます。
• AIには、例外のすべてについて説明を求めましょう。理由を示さずにフラグを立てるだけでは、ボトルネックを計上から確認へ移すだけです。
• 初日からリアルタイムで状況を把握できる仕組みを組み込み、リーダーがシステムの稼働状況を確認し、数値に確信を持って基づいた行動を取れるようにします。

支払処理は、着手点として特に有望な領域の一つです。関係する金額が大きく、投資効果が実際に回収した現金に直接表れるからです。プロセスを実態に即して可視化し、組織が明文化してこなかったルールをシステムに学習させ、すべての請求を人が管理できるようにすれば、測定可能で具体的な成果を確認できます。このように進めることで、支払処理は手強い手作業のボトルネックから、事業の成長に合わせて拡張できるプロセスへと変わります。