Integracja AI w zarządzaniu cyklami przychodów w ochronie zdrowia: Dlaczego ludzie muszą pozostać w pętli

AI stało się stałym elementem zarządzania cyklami przychodów w ochronie zdrowia (RCM), ponieważ liderzy finansowi starają się zapewnić ulgę dla przeładowanych i niedofinansowanych departamentów, które mają do czynienia z bezprecedensową liczbą żądań audytowych i rosnącymi wskaźnikami odrzuceń.

Zgodnie z nowo opublikowanym Raportem benchmarkingowym za 2023 rok, rosnące inwestycje w dane, AI i platformy technologiczne umożliwiły działom compliance i revenue integrity zmniejszenie liczby pracowników o 33%, przy jednoczesnym zwiększeniu liczby audytów o 10% w porównaniu z 2022 rokiem. W czasie, gdy brakuje personelu w RCM, AI zapewnia krytyczny zastrzyk produktywności.

Organizacje opieki zdrowia obecnie zgłaszają czterokrotnie więcej wniosków audytowych niż w poprzednich latach, a listy audytowe przekraczają 100 stron. To właśnie tutaj AI błyszczy – jego największą zaletą jest wykrywanie odstępstw i igieł w stogu wśród milionów punktów danych. AI stanowi znaczącą przewagę konkurencyjną dla funkcji RCM, a liderzy finansowi w ochronie zdrowia, którzy lekceważą AI jako hype, wkrótce odkryją, że ich organizacje zostały pozostawione w tyle.

Gdzie AI może zawieść

Prawdziwie autonomiczne AI w ochronie zdrowia to mrzonka. Chociaż prawdą jest, że AI umożliwiło zautomatyzowanie wielu zadań RCM, obietnica w pełni autonomicznych systemów pozostaje niespełniona. Wynika to częściowo z tendencji dostawców oprogramowania do skupiania się na technologii bez uprzedniego zrozumienia docelowych procesów roboczych i, co ważne, punktów styku ludzkich w nich – co prowadzi do nieskutecznej integracji AI i przyjęcia przez użytkowników końcowych.

Ludzie muszą zawsze pozostawać w pętli, aby zapewnić, że AI może funkcjonować odpowiednio w złożonym środowisku RCM. Dokładność i precyzja pozostają najtrudniejszymi wyzwaniami dla autonomicznego AI, a to właśnie tutaj zaangażowanie ludzi w pętlę poprawi wyniki. Chociaż stawki mogą nie być tak wysokie dla RCM, jak po stronie klinicznej, konsekwencje źle zaprojektowanych rozwiązań AI są jednak znaczące.

Wpływ finansowy jest najbardziej oczywisty dla organizacji opieki zdrowia. Źle przeszkolone narzędzia AI używane do przeprowadzania audytów roszczeń mogą nie wykryć przypadków niedokodowania, co oznacza przeoczone możliwości zarobku. Jeden z klientów MDaudit odkrył, że błędna reguła w ich tak zwanej autonomicznej systemie kodowania została nieprawidłowo zakodowana, co skutkowało utratą 25 milionów dolarów. Błąd nie zostałby wykryty i skorygowany, gdyby nie człowiek w pętli, który ujawnił usterkę.

Ponadto AI może również zawieść w przypadku wyników nadkodowania z fałszywymi pozytywami – obszar, w którym organizacje opieki zdrowia muszą pozostać zgodne z misją rządu w walce z oszustwami, nadużyciami i marnotrawstwem (FWA) w systemie opieki zdrowia.

Źle zaprojektowane AI mogą również wpłynąć na poszczególnych dostawców. Rozważmy konsekwencje, jeśli narzędzie AI nie jest odpowiednio przeszkolone w zakresie pojęcia “dostawca pod ryzykiem” w sensie cyklu przychodów. Lekarze mogliby znaleźć się niesprawiedliwie objęci dodatkową kontrolą i szkoleniem, jeśli zostaną uwzględnieni w sprawdzaniu dostawców pod ryzykiem z wysokimi wskaźnikami odrzuceń. To marnuje czas, który powinien być poświęcony na widzenie pacjentów, spowalnia przepływ gotówki przez opóźnianie roszczeń do przeglądów prospektywnych i mogłoby zaszkodzić ich reputacji przez przywarcie im “problematicznego” znacznika.

Utrzymywanie ludzi w pętli

Zapobieganie tym negatywnym skutkom wymaga ludzi w pętli. Istnieją trzy obszary AI, które zawsze będą wymagać zaangażowania ludzi, aby osiągnąć optymalne wyniki.

1. Budowanie silnej bazy danych.

Budowanie solidnej bazy danych jest kluczowe, ponieważ podstawowy model danych z odpowiednimi metadanymi, jakością danych i zarządzaniem jest niezbędny do umożliwienia AI osiągnięcia szczytowej wydajności. Aby to się stało, deweloperzy muszą poświęcić czas na to, aby w pełni zrozumieć procesy robocze i dane potrzebne do wykonywania swoich obowiązków przez liderów i personel ds. rozliczeń, kodowania i cykli przychodów.

Skuteczne wykrywanie anomalii wymaga nie tylko danych o rozliczeniach, odrzuceniach i innych roszczeniach, ale także zrozumienia złożonej interakcji między dostawcami, kodującymi, rozliczającymi, płatnikami itp., aby upewnić się, że technologia jest w stanie ciągle oceniać ryzyko w czasie rzeczywistym i dostarczać użytkownikom informacje potrzebne do ukierunkowania ich działań i aktywności w sposób, który prowadzi do mierzalnych wyników. Jeśli organizacje pomijają budowę bazy danych i przyspieszają wdrożenie modeli AI przy użyciu błyszczących narzędzi, skutkuje to halucynacjami i fałszywymi pozytywami z modeli AI, co spowoduje hałas i utrudni przyjęcie.

2. Ciągłe szkolenie.

Zarządzanie cyklami przychodów w ochronie zdrowia jest ciągle ewoluującym zawodem, wymagającym ciągłego kształcenia, aby zapewnić, że jego profesjonaliści rozumieją najnowsze przepisy, trendy i priorytety. To samo dotyczy narzędzi AI do zarządzania cyklami przychodów. Uczenie wzmacnianie pozwala AI na poszerzenie swojej bazy wiedzy i zwiększenie dokładności. Wejście użytkownika jest kluczowe dla ulepszania i aktualizacji, aby upewnić się, że narzędzia AI spełniają bieżące i przyszłe potrzeby.

AI powinno być szkolone w czasie rzeczywistym, umożliwiając użytkownikom końcowym natychmiastowe podanie danych wejściowych i informacji zwrotnej na temat wyników wyszukiwania informacji i/lub analizy w celu wspierania ciągłego uczenia. Powinno być również możliwe dla użytkowników, aby oznaczyć dane jako niebezpieczne, gdy jest to uzasadnione, aby zapobiec ich powiększaniu w skali. Na przykład przypisanie straty finansowej lub ryzyka zgodności do konkretnych podmiotów lub osób bez właściwego wyjaśnienia, dlaczego jest to uzasadnione.

3. Prawidłowa kontrola.

Ludzie muszą potwierdzić dane wyjściowe AI, aby upewnić się, że są one bezpieczne. Nawet w przypadku autonomicznego kodowania, specjalista ds. kodowania musi upewnić się, że AI “nauczyło się” odpowiednio stosować zaktualizowane zestawy kodów lub radzić sobie z nowymi wymogami regulacyjnymi. Gdy ludzie są wykluczeni z pętli kontroli, organizacja opieki zdrowia naraża się na straty finansowe, negatywne wyniki audytu, utratę reputacji i wiele więcej.

Nie ma wątpliwości, że AI może przekształcić opiekę zdrowia, szczególnie RCM. Niemniej jednak, aby to się stało, organizacje opieki zdrowia muszą uzupełnić swoje inwestycje technologiczne o szkolenia dla ludzi i siły roboczej, aby zoptymalizować dokładność, produktywność i wartość biznesową.