AI를 의료 RCM에 통합: 인간이 루프에 남아 있어야 하는 이유

AI는 금융 리더들이 전례 없는 양의 제3자 감사 요구와 증가하는 거부율에 직면해 과중하고 인력이 부족한 부서에 대한 구제 조치를 제공하려고 함에 따라 의료 수익 주기 관리(RCM)의 고정 장치가 되었습니다.

새로 발표된 내용에 따르면 2023 벤치마크 보고서, 데이터, AI 및 기술 플랫폼에 대한 투자 증가로 인해 규정 준수 및 수익 무결성 부서는 33년에 비해 팀 규모를 10% 줄이면서 감사 활동을 2022% 더 많이 수행할 수 있게 되었습니다. RCM 인력 부족이 높은 시기에 AI는 다음을 제공합니다. 생산성이 크게 향상됩니다.

의료 기관은 이제 전년도에 접수된 것보다 100배 더 많은 감사 요청을 보고하고 있으며 감사 요구 편지는 XNUMX페이지가 넘습니다. 이것이 바로 AI가 빛을 발하는 곳입니다. AI의 가장 큰 능력은 수백만 개의 데이터 포인트에 걸쳐 건초 더미에서 이상값과 바늘을 찾아내는 것입니다. AI는 RCM 기능에 대한 상당한 경쟁 우위를 나타내며, AI를 과대광고로 일축하는 의료 금융 리더는 곧 자신의 조직이 뒤처지게 될 것입니다.

AI가 부족할 수 있는 부분

의료 분야에서 진정한 자율 AI는 헛된 꿈입니다. AI가 많은 RCM 작업의 자동화를 가능하게 한 것은 사실이지만, 완전 자율 시스템에 대한 약속은 아직 실현되지 않았습니다. 이는 부분적으로는 대상 워크플로우를 완전히 이해하는 데 시간을 들이지 않고 기술에 집중하는 소프트웨어 공급업체의 성향과 중요하게는 그 안에 있는 인간 접점(비효과적인 AI 통합 및 최종 사용자 채택으로 이어지는 관행) 때문입니다.

AI가 복잡한 RCM 환경에서 적절하게 작동할 수 있도록 인간은 항상 루프에 있어야 합니다. 정확성과 정밀성은 자율 AI의 가장 어려운 과제로 남아 있으며, 인간이 루프에 참여하면 결과가 향상됩니다. 임상 측면에서 RCM의 위험은 높지 않을 수 있지만, 잘못 설계된 AI 솔루션의 영향은 그럼에도 불구하고 중요합니다.

의료 기관에서는 재정적 영향이 가장 뚜렷하게 나타납니다. 장래 청구 감사를 수행하는 데 제대로 훈련되지 않은 AI 도구를 사용하면 언더코딩 사례를 놓칠 수 있으며 이는 수익 기회를 놓친다는 의미입니다. 한 MDaudit 고객은 소위 자율 코딩 시스템 내의 잘못된 규칙으로 인해 투여된 약품 단위가 잘못 코딩되어 25만 달러의 수익 손실이 발생했다는 사실을 발견했습니다. 결함을 발견하는 루프에 있는 사람이 아니었다면 오류는 결코 포착되거나 수정되지 않았을 것입니다.

마찬가지로, AI는 잘못된 긍정으로 결과를 오버코딩하는 데 부족할 수 있습니다. 이는 의료 조직이 의료 시스템에서 사기, 남용 및 낭비(FWA)에 맞서 싸우려는 정부의 사명에 맞춰 규정을 준수해야 하는 영역입니다.

잘못 설계된 AI는 개별 제공업체에도 영향을 미칠 수 있습니다. 수익 주기 측면에서 "위험에 처한 공급자" 개념에 대해 AI 도구가 제대로 훈련되지 않은 경우 그 의미를 고려하십시오. 의사가 거부율이 높은 위험에 처한 의료 제공자에 대한 조사에 포함되면 의사가 추가 조사 및 교육을 받아야 하는 부당한 대상이 될 수 있습니다. 이는 환자를 진료하는 데 소요되는 시간을 낭비하고, 장래 검토에 대한 청구를 지연시켜 현금 흐름을 늦추고, “문제가 있는”이라는 딱지를 붙여 환자의 평판을 해칠 수 있습니다.

인간의 지속적인 흐름 유지

이러한 유형의 부정적인 결과를 방지하려면 인간이 참여해야 합니다. 특히 AI에는 최적의 결과를 얻기 위해 항상 인간의 개입이 필요한 세 가지 영역이 있습니다.

1. 강력한 데이터 기반 구축.

AI가 최고의 효율성을 달성하려면 적절한 메타데이터, 데이터 품질 및 거버넌스를 갖춘 기본 데이터 모델이 핵심이므로 강력한 데이터 기반을 구축하는 것이 중요합니다. 이를 위해서는 개발자가 청구 규정 준수, 코딩, 수익 주기 리더 및 직원과 함께 업무를 수행하는 데 필요한 워크플로와 데이터를 완전히 이해하는 데 시간을 투자해야 합니다.

효과적인 이상 탐지를 위해서는 청구, 거부 및 기타 청구 데이터뿐만 아니라 제공자, 코더, 청구자, 지불자 등 간의 복잡한 상호 작용에 대한 이해가 필요합니다. 이를 통해 기술이 실시간으로 지속적으로 위험을 평가하고 사용자는 측정 가능한 결과를 도출하는 방식으로 자신의 행동과 활동에 집중하는 데 필요한 정보를 제공합니다. 조직이 데이터 기반을 건너뛰고 빛나는 도구를 사용하여 AI 모델 배포를 가속화하면 AI 모델에서 잡음을 유발하고 채택을 방해하는 환각과 오탐이 발생하게 됩니다.

2. 지속적인 훈련.

의료 RCM은 전문가가 최신 규정, 동향 및 우선순위를 이해할 수 있도록 지속적인 교육이 필요한 지속적으로 발전하는 직업입니다. AI 지원 RCM 도구도 마찬가지입니다. 강화 학습을 통해 AI는 지식 기반을 확장하고 정확도를 높일 수 있습니다. 사용자 입력은 AI 도구가 현재와 미래의 요구 사항을 충족할 수 있도록 개선하고 업데이트하는 데 매우 중요합니다.

AI는 실시간으로 학습할 수 있어야 하며 최종 사용자가 정보 검색 및/또는 분석 결과에 대한 입력과 피드백을 즉시 제공하여 지속적인 학습을 지원할 수 있어야 합니다. 또한 규모에 따른 증폭을 방지하기 위해 사용자가 데이터를 안전하지 않은 것으로 표시하는 것도 가능해야 합니다. 예를 들어, 그렇게 하는 것이 적절한 이유를 제대로 설명하지 않고 재정적 손실이나 규정 준수 위험을 특정 법인이나 개인에게 돌리는 것입니다.

3. 적절한 거버넌스.

인간은 AI의 결과가 안전한지 검증해야 합니다. 자율 코딩을 사용하더라도 코딩 전문가는 AI가 업데이트된 코드 세트를 적용하거나 새로운 규제 요구 사항을 처리하는 방법을 적절하게 "학습"했는지 확인해야 합니다. 인간이 거버넌스 루프에서 제외되면 의료 조직은 수익 누출, 부정적인 감사 결과, 평판 손실 등의 위험에 노출됩니다.

AI가 의료, 특히 RCM을 변화시킬 수 있다는 데에는 의심의 여지가 없습니다. 그러나 이를 위해서는 의료 기관이 정확성, 생산성 및 비즈니스 가치를 최적화하기 위해 인력 및 인력 교육을 통해 기술 투자를 강화해야 합니다.