Integrando IA no Ciclo de Receita de Saúde: Por que os Humanos Devem Permanecer no Loop

A IA se tornou uma fixture no ciclo de receita de saúde (RCM) à medida que os líderes financeiros buscam fornecer um alívio para os departamentos sobrecarregados e subestafetados que enfrentam volumes sem precedentes de demandas de auditoria de terceiros e taxas de negação em ascensão.

De acordo com o relatório de benchmark de 2023 recém-lançado, os investimentos crescentes em dados, IA e plataformas de tecnologia permitiram que os departamentos de conformidade e integridade de receita reduzissem o tamanho de suas equipes em 33% enquanto realizavam 10% mais atividades de auditoria em comparação com 2022. Em um momento em que as escassezes de pessoal no RCM são altas, a IA fornece um impulso crítico de produtividade.

As organizações de saúde agora relatam quatro vezes mais solicitações de auditoria do que receberam nos anos anteriores – e as cartas de demanda de auditoria têm mais de 100 páginas. É aqui que a IA brilha – sua maior habilidade é descobrir outliers e agulhas no palheiro em milhões de pontos de dados. A IA representa uma vantagem competitiva significativa para a função de RCM, e os líderes financeiros de saúde que descartam a IA como hype logo encontrarão suas organizações ficando para trás.

Onde a IA Pode Falhar

A IA verdadeiramente autônoma na saúde é um sonho. Embora seja verdade que a IA permitiu a automação de muitas tarefas de RCM, a promessa de sistemas totalmente autônomos permanece não cumprida. Isso ocorre em parte porque os fornecedores de software tendem a se concentrar na tecnologia sem primeiro dedicar tempo para entender completamente os fluxos de trabalho visados e, o que é mais importante, os pontos de contato humanos dentro deles – uma prática que leva a uma integração ineficaz da IA e adoção por parte dos usuários finais.

Os humanos devem sempre estar no loop para garantir que a IA possa funcionar adequadamente em um ambiente de RCM complexo. A precisão e a exatidão permanecem os maiores desafios com a IA autônoma, e é aqui que a participação dos humanos no loop melhorará os resultados. Embora as apostas possam não ser tão altas para o RCM quanto são no lado clínico, as consequências de soluções de IA mal projetadas são, no entanto, significativas.

Os impactos financeiros são os mais óbvios para as organizações de saúde. Ferramentas de IA mal treinadas usadas para realizar auditorias de reivindicações prospectivas podem perder instâncias de subcodificação, o que significa oportunidades de receita perdidas. Um cliente do MDaudit descobriu que uma regra incorreta dentro de seu sistema de codificação autônomo estava codificando incorretamente as unidades de medicamentos administrados, resultando em US$ 25 milhões em receitas perdidas. O erro nunca teria sido detectado e corrigido se não fosse por um humano no loop que descobriu a falha.

Da mesma forma, a IA também pode falhar com resultados de sobre-codificação com falsos positivos – uma área em que as organizações de saúde devem permanecer em conformidade com a missão do governo de combater fraude, abuso e desperdício (FWA) no sistema de saúde.

A IA mal projetada também pode impactar individualmente os prestadores de serviços. Considere as implicações se uma ferramenta de IA não for adequadamente treinada no conceito de “prestador de risco” no sentido do ciclo de receita. Os médicos podem se encontrar injustamente alvo de escrutínio e treinamento adicionais se forem incluídos em varreduras para prestadores de risco com altas taxas de negação. Isso desperdiça tempo que deveria ser gasto atendendo pacientes, desacelera o fluxo de caixa ao atrasar reivindicações para revisões prospectivas e poderia prejudicar sua reputação ao colar-lhes um rótulo de “problemático”.

Mantendo os Humanos no Loop

Prevenir esses tipos de resultados negativos exige a participação dos humanos no loop. Há três áreas da IA em particular que sempre exigirão a participação humana para alcançar resultados ótimos.

1. Construindo uma base de dados sólida.

Construir uma base de dados robusta é fundamental, pois o modelo de dados subjacente com metadados apropriados, qualidade de dados e governança é fundamental para permitir que a IA atinja eficiências de pico. Para que isso aconteça, os desenvolvedores devem dedicar tempo para se envolver com os líderes e funcionários de conformidade de faturamento, codificação e ciclo de receita para entender completamente seus fluxos de trabalho e os dados necessários para realizar suas funções.

A detecção eficaz de anomalias requer não apenas dados de faturamento, negações e reivindicações, mas também uma compreensão da complexa interação entre prestadores, codificadores, faturadores, pagadores, etc. para garantir que a tecnologia seja capaz de avaliar continuamente os riscos em tempo real e fornecer aos usuários as informações necessárias para focar suas ações e atividades de maneira que impulsione resultados mensuráveis. Se as organizações pularem a base de dados e acelerarem a implantação de seus modelos de IA usando ferramentas brilhantes, isso resultará em alucinações e falsos positivos dos modelos de IA que causarão ruído e impedirão a adoção.

2. Treinamento contínuo.

O RCM de saúde é uma profissão em constante evolução que exige educação contínua para garantir que seus profissionais entendam as regulamentações, tendências e prioridades mais recentes. O mesmo se aplica às ferramentas de RCM habilitadas por IA. O aprendizado reforçado permite que a IA expanda sua base de conhecimento e aumente sua precisão. A entrada do usuário é fundamental para o aprimoramento e atualização para garantir que as ferramentas de IA atendam às necessidades atuais e futuras.

A IA deve ser treinável em tempo real, permitindo que os usuários finais forneçam imediatamente entrada e feedback sobre os resultados das pesquisas de informações e/ou análise para apoiar o aprendizado contínuo. Também deve ser possível para os usuários marcar dados como inseguros quando justificado para evitar sua amplificação em escala. Por exemplo, atribuir perda financeira ou risco de conformidade a entidades ou indivíduos específicos sem explicar adequadamente por que é apropriado fazer isso.

3. Governança apropriada.

Os humanos devem validar a saída da IA para garantir que ela seja segura. Mesmo com codificação autônoma, um profissional de codificação deve garantir que a IA tenha “aprendido” adequadamente como aplicar conjuntos de códigos atualizados ou lidar com novos requisitos regulamentares. Quando os humanos são excluídos do loop de governança, uma organização de saúde deixa-se aberta a vazamento de receita, resultados de auditoria negativos, perda de reputação e muito mais.

Não há dúvida de que a IA pode transformar a saúde, especialmente o RCM. No entanto, fazer isso exige que as organizações de saúde complementem seus investimentos em tecnologia com treinamento de mão de obra humana para otimizar a precisão, a produtividade e o valor comercial.