AI integreren in de zorg RCM: waarom mensen in de lus moeten blijven

AI is een vaste waarde geworden in het beheer van de omzetcyclus in de zorg (RCM) omdat financiële leiders een mate van verlichting willen bieden voor overbelaste, onderbemande afdelingen die te maken krijgen met ongekende volumes van auditverzoeken van derden en stijgende weigerratio’s.

Volgens het onlangs uitgebrachte 2023 Benchmark Report hebben groeiende investeringen in data, AI en technologieplatforms het mogelijk gemaakt dat afdelingen voor compliance en revenue integrity hun team met 33% kunnen verkleinen, terwijl ze 10% meer auditactiviteiten uitvoeren in vergelijking met 2022. Op een moment waarop er een tekort is aan RCM-personeel, biedt AI een kritische productiviteitsboost.

Zorgorganisaties melden nu vier keer meer auditverzoeken dan in voorgaande jaren – en auditverzoekbrieven zijn langer dan 100 pagina’s. Hier blinkt AI uit – de grootste mogelijkheid van AI is het opsporen van uitschieters en naalden in de hooiberg over miljoenen datapunten. AI vertegenwoordigt een aanzienlijk concurrentievoordeel voor de RCM-functie, en zorgfinanciële leiders die AI als hype afdoen, zullen snel ontdekken dat hun organisaties achterblijven.

Waar AI kan falen

Echt autonome AI in de zorg is een droombeeld. Hoewel het waar is dat AI de automatisering van veel RCM-taken heeft mogelijk gemaakt, blijft de belofte van volledig autonome systemen onvervuld. Dit komt deels door de neiging van softwareleveranciers om zich te concentreren op technologie zonder eerst de tijd te nemen om de gerichte workflows en, belangrijker nog, de menselijke aangrijpingspunten daarin volledig te begrijpen – een praktijk die leidt tot ineffectieve AI-integratie en adoptie door eindgebruikers.

Mensen moeten altijd in de lus zitten om ervoor te zorgen dat AI op een complexe RCM-omgeving correct kan functioneren. Accuratesse en precisie blijven de grootste uitdagingen voor autonome AI, en hier kan het betrekken van mensen in de lus de resultaten verbeteren. Hoewel de inzet niet zo hoog is voor RCM als op de klinische kant, zijn de gevolgen van slecht ontworpen AI-oplossingen niettemin aanzienlijk.

Financiële gevolgen zijn het meest voor de hand liggend voor zorgorganisaties. Slecht getrainde AI-hulpmiddelen die worden gebruikt voor prospectieve claimsaudits kunnen gevallen van ondercodering missen, wat betekent dat er revenuen verloren gaan. Een klant van MDaudit ontdekte dat een onjuiste regel in hun zogenaamde autonome codingsysteem medicijnunits verkeerd codeerde, wat resulteerde in 25 miljoen dollar aan verloren revenuen. De fout zou nooit zijn ontdekt en gecorrigeerd als een mens in de lus de fout niet had ontdekt.

Evenzo kan AI ook falen met overcoderingsresultaten met valse positieven – een gebied waarin zorgorganisaties in overeenstemming moeten blijven met de missie van de overheid om fraude, misbruik en verspilling (FWA) in het zorgstelsel te bestrijden.

Slecht ontworpen AI kan ook gevolgen hebben voor individuele zorgverleners. Overweeg de implicaties als een AI-hulpmiddel niet goed getraind is op het concept van “risicovolle zorgverlener” in de zin van de omzetcyclus. Artsen kunnen zichzelf onnodig blootstellen aan extra controle en training als ze worden opgenomen in sweeps voor risicovolle zorgverleners met hoge weigerratio’s. Het verspilt tijd die aan patiënten besteed zou moeten worden, vertraagt de kasstroom door claims voor prospectieve reviews te vertragen en kan hun reputatie schaden door hen een “probleem” label te geven.

Mensen in de lus houden

Het voorkomen van dit soort negatieve resultaten vereist mensen in de lus. Er zijn drie gebieden van AI waarvoor menselijke betrokkenheid altijd nodig is om optimale resultaten te bereiken.

1. Een sterke datavisie opbouwen.

Het opbouwen van een robuuste datavisie is kritiek, omdat het onderliggende datamodel met de juiste metadata, gegevenskwaliteit en governance de sleutel is tot het mogelijk maken van AI om piekprestaties te bereiken. Hiervoor moeten ontwikkelaars de tijd nemen om samen te werken met leiders en medewerkers van facturatiecompliance, codering en omzetcyclus om hun workflows en benodigde gegevens volledig te begrijpen.

Effectieve anomaliedetectie vereist niet alleen facturatie-, weigering- en andere claimsgegevens, maar ook een begrip van de complexe interactie tussen zorgverleners, coders, facturatie- en betalingsinstanties, enz. om ervoor te zorgen dat de technologie in staat is om continu risico’s in real-time te beoordelen en gebruikers de informatie te bieden die nodig is om hun acties en activiteiten te richten op manieren die meetbare resultaten opleveren. Als organisaties de datavisie overslaan en de implementatie van hun AI-modellen versnellen met glanzende hulpmiddelen, zal dit resulteren in hallucinaties en valse positieven van de AI-modellen die lawaai zullen veroorzaken en adoptie zullen hinderen.

2. Continue training.

Het beheer van de omzetcyclus in de zorg is een voortdurend evoluerend beroep dat voortdurende educatie vereist om ervoor te zorgen dat professionals de laatste regelgeving, trends en prioriteiten begrijpen. Hetzelfde geldt voor AI-geactiveerde RCM-hulpmiddelen. Versterking van het leren stelt AI in staat om zijn kennisbasis uit te breiden en zijn nauwkeurigheid te vergroten. Gebruikersinput is kritiek voor verfijning en updates om ervoor te zorgen dat AI-hulpmiddelen voldoen aan de huidige en toekomstige behoeften.

AI moet in real-time getraind kunnen worden, waardoor eindgebruikers onmiddellijk input en feedback kunnen geven op de resultaten van informatiezoekopdrachten en/of analyses om voortdurend leren te ondersteunen. Het moet ook mogelijk zijn voor gebruikers om gegevens te markeren als onveilig wanneer dit nodig is om te voorkomen dat deze op grote schaal worden vermenigvuldigd. Bijvoorbeeld door financiële verlies of compliance-risico toe te schrijven aan specifieke entiteiten of individuen zonder goed uit te leggen waarom dit nodig is.

3. Proper governance.

Mensen moeten de output van AI valideren om ervoor te zorgen dat deze veilig is. Zelfs met autonome codering moet een codingsprofessional ervoor zorgen dat AI correct heeft “geleerd” hoe hij bijgewerkte codeerset moet toepassen of omgaat met nieuwe regelgevingsvereisten. Wanneer mensen uit de governance-lus worden gesloten, laat een zorgorganisatie zichzelf bloot aan inkomenslekkage, negatieve auditresultaten, reputatieschade en nog veel meer.

Er is geen twijfel dat AI de zorg kan transformeren, vooral RCM. Echter, hiervoor moeten zorgorganisaties hun technologie-investeringen aanvullen met menselijke en werkgelegenheidstraining om nauwkeurigheid, productiviteit en bedrijfswaarde te optimaliseren.