Integrering av AI i helsevesenets RCM: Hvorfor mennesker må være involvert

AI har blitt en fast del av helsevesenets revenue cycle management (RCM) ettersom finansielle ledere søker å gi en måte å lettelse for overbelastede og underbemannede avdelinger som møter utenforlige krav og stigende avvisningsrater.

Ifølge den nylig utgitte 2023 Benchmark Report, økende investeringer i data, AI og teknologiplattformer har gjort det mulig for compliance- og revenue-integritetsavdelinger å redusere lagstørrelsen med 33% samtidig som de utfører 10% flere audit-aktiviteter sammenlignet med 2022. I en tid da RCM-personalmangel er høyt, gir AI en kritisk produktivitetsøkning.

Helseorganisasjoner rapporterer nå fire ganger flere auditforespørsler enn de mottok tidligere – og auditkravbrev er over 100 sider lange. Dette er hvor AI skinner – dens største evne er å avdekke unntak og nåler i høystakken over millioner av datapunkter. AI representerer en betydelig konkurransefordel for RCM-funksjonen, og helsefinansledere som forkaster AI som hype vil snart finne at deres organisasjoner blir latt tilbake.

Hvor AI kan svikte

Virkelig autonom AI i helsevesenet er en pipe drøm. Mens det er sant at AI har gjort det mulig å automatisere mange RCM-oppdrag, er løftet om fullt autonome systemer ennå ikke innfridd. Dette skyldes delvis programvareleverandørenes tendens til å fokusere på teknologi uten å ta seg tid til å fullt ut forstå de målrettede arbeidsflytene og – viktigst – de menneskelige berøringspunktene innen dem – en praksis som fører til ineffektiv AI-integrasjon og slutbrukeradopsjon.

Mennesker må alltid være involvert for å sikre at AI kan fungere på en passende måte i et komplekst RCM-miljø. Nøyaktighet og presisjon er de tøffeste utfordringene med autonom AI, og dette er hvor involvering av mennesker i løkken vil forbedre resultater. Mens innsatsene kanskje ikke er like høye for RCM som de er på den kliniske siden, er konsekvensene av dårlig designet AI-løsninger likevel betydelige.

Finansielle impakter er de mest åpenbare for helseorganisasjoner. Dårlig trent AI-verktøy som brukes til å utføre prospektive kravauditer kan overse eksempler på underkoding, noe som betyr glipp av inntektsmuligheter. En MDaudit-kunde oppdaget at en feil regel i deres såkalte autonome kodningssystem feilaktig kodet legemiddelenheter som ble administrert, noe som resulterte i 25 millioner dollar i tapte inntekter. Feilen ville aldri ha blitt oppdaget og korrigert hvis ikke en menneske var involvert i løkken og avdekket feilen.

Likewise, AI kan også svikte med overkodingresultater med falske positiver – et område hvor helseorganisasjoner må forbli i samsvar med regjeringens mål om å bekjempe svindel, misbruk og sløsing (FWA) i helsevesenet.

Dårlig designet AI kan også påvirke enkelttilbydere. Tenk på implikasjonene hvis et AI-verktøy ikke er ordentlig trent på konseptet “på risiko-tilbyder” i revenue-syklusen. Lege kunne finne seg selv urettferdig målrettet for ekstra granskning og trening hvis de er inkludert i sveip for på risiko-tilbydere med høye avvisningsrater. Det sparer tid som bør brukes på å se pasienter, sakte ned kontantstrømmen ved å forsinke krav for prospektive gjennomganger, og kunne skade deres rykte ved å klebe dem med en “problematisk” merking.

Hold mennesker i løkken

For å forebygge disse typene negative resultater, må mennesker være involvert i løkken. Det finnes tre områder av AI som alltid vil kreve menneskelig involvering for å oppnå optimale resultater.

1. Bygging av en sterk datafundament.

Bygging av en robust datafundament er kritisk, ettersom den underliggende datamodellen med ordentlig metadata, datakvalitet og styring er nøkkel til å aktivere AI til å oppnå topp-effektivitet. For at dette skal skje, må utviklere ta seg tid til å komme ned i gropen med faktureringssamsvar, kodning og revenue-syklusledere og -ansatte for å fullt ut forstå deres arbeidsflyt og data som trengs for å utføre deres oppgaver.

Effektiv anomaliopptelling krever ikke bare fakturering, avvisninger og andre kravdata, men også en forståelse av det komplekse spillet mellom tilbydere, kodere, faktureringsselskaper, betalere osv. for å sikre at teknologien er i stand til å kontinuerlig vurdere risiko i sanntid og levere til brukerne informasjonen som trengs for å fokusere deres handlinger og aktiviteter på måter som driver målbare resultater. Hvis organisasjoner hopper over datafundamentet og akselerer utrulling av sine AI-modeller med skinnende verktøy, vil det resultere i hallucinasjoner og falske positiver fra AI-modellene som vil forårsake støy og hindre adopsjon.

2. Kontinuerlig trening.

Helsevesenets RCM er en kontinuerlig utviklende fag som krever kontinuerlig utdanning for å sikre at profesjonelle forstår de siste reguleringene, trendene og prioritetene. Det samme gjelder AI-aktiverede RCM-verktøy. Forsterkingslæring gjør det mulig for AI å utvide sin kunnskapsbase og øke sin nøyaktighet. Brukerinput er kritisk for finjustering og oppdateringer for å sikre at AI-verktøyene møter nåværende og fremtidige behov.

AI bør være trenbar i sanntid, slik at sluttbrukere umiddelbart kan gi input og tilbakemelding på resultater av informasjonssøk og/eller analyse for å støtte kontinuerlig læring. Det bør også være mulig for brukere å merke data som usikre når det er berettiget for å forhindre dens forsterkning i stor skala. For eksempel å tillegge finansiell tap eller samsvarsrisk til bestemte enheter eller personer uten å ordentlig forklare hvorfor det er berettiget å gjøre det.

3. Ordentlig styring.

Mennesker må validere AI-utgangen for å sikre at den er trygg. Selv med autonom kodning, må en kodningsprofesjonell sikre at AI har “lært” hvordan man ordentlig anvender oppdaterte kode-sett eller håndtere nye regulatoriske krav. Når mennesker er ekskludert fra styringsløkken, åpner en helseorganisasjon seg selv for inntektslekkasje, negative auditresultater, rykte tap og mye mer.

Det er ingen tvil om at AI kan transformere helsevesenet, spesielt RCM. Men for å gjøre det, må helseorganisasjoner supplere sine teknologiinvesteringer med menneskelig og arbeidsstyrketrening for å optimalisere nøyaktighet, produktivitet og forretningsverdi.