Integrering av AI i helsevesenets RCM: Hvorfor mennesker må forbli i løkken

AI har blitt en fast del av helsevesenets omsetningscyklusstyring (RCM) ettersom finansielle ledere søker å gi en måte å lettelse for overbelastede, underbemannede avdelinger som møter utenforstående krav om revisjon og økende avvisningsrater.

Ifølge den nylig utgitte 2023 Benchmark Report, voksende investeringer i data, AI og teknologiplattformer har gjort det mulig for compliance- og omsetningsintegritetsavdelinger å redusere teamstørrelsen med 33% samtidig som de utfører 10% mer i revisjonsaktiviteter sammenlignet med 2022. I en tid hvor RCM-personalmangel er høyt, gir AI en kritisk produktivitetsøkning.

Helseorganisasjoner rapporterer nå fire ganger flere revisjonsforespørsler enn tidligere – og revisjonskravbrev løper over 100 sider. 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 helsefinansielle ledere som avviser AI som hype vil snart finne sine organisasjoner igjen.

Hvor AI kan svikte

Virkelig autonom AI i helsevesenet er en pipe drøm. Mens det er sant at AI har muliggjort automatisering av mange RCM-oppgaver, forblir løftet om fullstendig autonome systemer ubesvart. Dette skyldes i del finansielle leverandørers tendens til å fokusere på teknologi uten først 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 sluttbrukeradopsjon.

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

Finansielle konsekvenser er de mest åpenbare for helseorganisasjoner. Dårlig trent AI-verktøy som brukes til prospektive kravrevisjoner kan overse eksempler på underkoding, som betyr overse omsetningsmuligheter. En MDaudit-kunde oppdaget at en feil regel i deres såkalte autonome kodningssystem feilaktig kodet enheter av medisiner 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 i løkken hadde 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 enkeltpersoner. Overveur implikasjonene hvis et AI-verktøy ikke er korrekt trent på konseptet “på risiko-leverandør” i omsetningscyklusammenhengen. Lege kunne finne seg selv urettferdig målrettet for ekstra granskning og trening hvis de er inkludert i sveip for på risiko-leverandører med høye avvisningsrater. Det sparer tid som burde ha blitt brukt på å se pasienter, forsinker kontantstrøm ved å forsinke krav for prospektive gjennomganger og kunne skade deres rykte ved å klistre dem med en “problematisk” merking.

Å holde mennesker i løkken

Forebygging av disse typene negative resultater krever mennesker i løkken. Det er 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, da den underliggende datamodellen med korrekt metadata, datakvalitet og styring er nøkkel til å muliggjøre AI å oppnå topp-effektivitet. For at dette skal skje, må utviklere ta seg tid til å komme i grøftene med faktureringssamsvar, kodning og omsetningscyklusledere og -ansatte for fullt ut å forstå deres arbeidsflyter og data behov for å utføre deres oppgaver.

Effektiv anomalioppsporing krever ikke bare fakturering, avvisninger og andre kravdata, men også en forståelse av det komplekse spillet mellom leverandører, kodere, fakturering og betalere osv. for å sikre at teknologien er i stand til kontinuerlig å 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 ved hjelp av skinnende verktøy, vil det resultere i hallusinasjoner 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 reglene, trender og prioriteringene. Det samme gjelder for AI-aktiverede RCM-verktøy. Forsterkning av læring tillater 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 burde være trenbar i sanntid, og tillate sluttbrukere å umiddelbart gi input og tilbakemelding på resultater av informasjonssøk og/eller analyse for å støtte kontinuerlig læring. Det burde også være mulig for brukere å merke data som usikker når det er begrunnet for å forhindre dens forsterkning i skala. For eksempel å tilskrive finansiell tap eller samsvarsrisk til bestemte enheter eller personer uten å korrekt forklare hvorfor det er passende å gjøre det.

3. Korrekt styring.

Mennesker må validere AI-utgangen for å sikre at den er trygg. Selv med autonom kodning, må en kodning profesjonell sikre at AI har korrekt “lært” å anvende oppdaterte kode sett eller håndtere nye reguleringskrav. Når mennesker ekskluderes fra styringsløkken, åpner en helseorganisasjon seg for omsetningslekkasje, negative revisjonsresultater, omdømmetap og mye mer.

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