Ritesh Ramesh

AIをヘルスケアのRCMに統合する: 人間がループに留まる理由

AIは、ヘルスケアの収益サイクル管理（RCM）において、財務リーダーが過負荷で人員不足の部門に対する第三者による監査要求の前例のない増加と却下率の増加に対する一定の救済策を提供しようとしているため、固定的な存在となりました。新しく公開された2023 Benchmark Reportによると、データ、AI、テクノロジー・プラットフォームへの投資の増加により、コンプライアンスと収益の完全性の部門は、チームのサイズを33%削減しながら、2022年よりも10%多くの監査活動を実行できるようになりました。RCMのスタッフィング不足が高まっている現在、AIは重要な生産性のブーストを提供します。ヘルスケア組織は、現在、以前の年よりも4倍多くの監査要求を受けており、監査要求書は100ページを超えています。これがAIの強みを発揮する場所です。AIの最大の能力は、数百万のデータ・ポイントの中から外れ値や針の山から針を探し出すことです。AIはRCM機能にとって重要な競争上の優位性を表し、AIを空気の吹き溜まりと見なすヘルスケアの財務リーダーは、すぐに組織が後ろに残されることを発見するでしょう。AIが短所を示す場所ヘルスケアにおける真正に自律的なAIは、pipe dreamです。AIが多くのRCMタスクの自動化を可能にしたことは事実ですが、完全に自律的なシステムの約束はまだ果たされていません。これは、一部には、ソフトウェアベンダーが、ターゲットとなるワークフローと、重要なのは、その中の人間のタッチポイントを十分に理解する時間を取ることなく、テクノロジーに焦点を当てている傾向があるためです。これは、AIの統合とエンドユーザーの採用が不適切になることを意味します。人間が常にループに留まる必要があります。そうすれば、AIは複雑なRCM環境で適切に機能できるようになります。精度と精密さは、自律的なAIで最も難しい課題であり、ここで人間がループに留まることで成果が向上します。RCMの場合、臨床側の場合と同じぐらいの高い賭けではありませんが、設計が不十分なAIソリューションの結果は、重大なものです。財務への影響は、ヘルスケア組織にとって最も明らかなものです。プロスペクティブな請求書監査を実行するために使用される、適切にトレーニングされていないAIツールは、不完全なコード化のインスタンスを逃す可能性があり、収益の機会が失われます。MDauditの1人の顧客は、所謂自律的なコード化システム内の不正なルールが、投与された薬物の単位を不正にコード化し、2,500万ドルの収益が失われたことを発見しました。このエラーは、ループ内に人間がいなければ、決して検出され、修正されなかっただろうと考えられます。同様に、AIは、過度のコード化の結果として、偽陽性でも短所を示す可能性があります。これは、ヘルスケア組織が、政府のヘルスケア・システムにおける詐欺、乱用、無駄 (FWA) と戦う使命に沿ったコンプライアンスを維持する必要がある領域です。設計が不十分なAIは、個々のプロバイダーにも影響を及ぼす可能性があります。収益サイクル管理の観点から「リスクのあるプロバイダー」の概念について適切にトレーニングされていないAIツールを考えてみましょう。医師は、高い却下率を持つリスクのあるプロバイダーのスイープに含まれている場合、追加の監査とトレーニングの対象となる可能性があります。これにより、患者を診察する時間が無駄になり、請求書のプロスペクティブなレビューが遅れるとともに、キャッシュフローが遅れ、医師の評判が損なわれる可能性があります。人間をループに留めるこれらの種の否定的な結果を防ぐには、ループ内に人間が必要です。AIには、人間の関与が必要な3つの領域があります。1. 強力なデータ・ファウンデーションの構築。強力なデータ・ファウンデーションの構築は重要です。適切なメタデータ、データ品質、ガバナンスを備えた基本的なデータモデルは、AIが最高の効率を達成するために不可欠です。これが起こるためには、開発者は請求書のコンプライアンス、コード化、収益サイクル管理のリーダーおよびスタッフと一緒に、トレンチに入り、ワークフローとデータを完全に理解する必要があります。有効な異常検出には、請求書、却下、他の請求書データのみではなく、プロバイダー、コーダー、請求者、支払者など之间の複雑な相互作用を理解する必要があります。そうすれば、テクノロジーはリスクをリアルタイムで継続的に評価し、ユーザーに測定可能な成果をもたらす行動と活動に焦点を当てるために必要な情報を提供することができます。組織がデータ・ファウンデーションを省略し、輝かしいツールを使用してAIモデルを展開することを加速すると、AIモデルから幻覚と偽陽性が生じ、ノイズが生じ、採用が妨げられることになります。2.継続的なトレーニング。ヘルスケアのRCMは、専門家が最新の規制、トレンド、優先事項を理解するために継続的な教育が必要な、不断に進化する職業です。同じことがAIを使用したRCMツールにも当てはまります。強化学習により、AIは知識ベースを拡大し、精度を高めることができます。ユーザーの入力は、精度と更新のための改良と更新を確実に保つために不可欠です。AIはリアルタイムでトレーニングできる必要があります。そうすれば、エンドユーザーは情報検索と/または分析の結果についてすぐにフィードバックと入力を提供できるようになります。また、ユーザーがデータを安全でないものとしてマークし、必要に応じてその拡大を防ぐことも可能である必要があります。たとえば、特定のエンティティまたは個人に財務損失またはコンプライアンス・リスクを適切に説明することなく帰属させることなどです。3. 適切なガバナンス。人間がAIの出力を検証して、それが安全であることを確認する必要があります。自律的なコード化の場合でも、コード化の専門家は、AIが更新されたコードセットを適切に適用したり、新しい規制要件に対処したりする方法を「学習」したことを確認する必要があります。人間がガバナンスのループから除外されると、ヘルスケア組織は収益の漏れ、監査の悪い結果、評判の失墜など、多大なリスクにさらされます。疑問の余地がないのは、AIがヘルスケア、特にRCMを変革する可能性があるということです。ただし、これを行うには、ヘルスケア組織がテクノロジー投資を人間とワークフォースのトレーニングで補完して、精度、生産性、ビジネス価値を最適化する必要があります。