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

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

De acordo com o relatório de benchmark recém-lançado 2023 Benchmark Report, os investimentos crescentes em dados, IA e plataformas de tecnologia permitiram que os departamentos de conformidade e integridade de receita reduzissem o tamanho de sua equipe em 33% enquanto realizavam 10% mais em atividades de auditoria em comparação com 2022. Em um momento em que as escassezes de mão de obra 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 RCM, e os líderes financeiros de saúde que descartam a IA como hype logo encontrarão suas organizações deixadas 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 devido à propensão dos fornecedores de software a se concentrar na tecnologia sem primeiro tomar o tempo para entender completamente os fluxos de trabalho visados e, importante, os pontos de contato humanos dentro deles – uma prática que leva à integração ineficaz da IA e à adoção por parte do usuário final.

Os humanos devem sempre estar no loop para garantir que a IA possa funcionar apropriadamente em um ambiente de RCM complexo. A precisão e a precisão permanecem os desafios mais difíceis 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 $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 serviços em risco” no sentido do ciclo de receita. Os médicos podem encontrar-se injustamente visados para escrutínio e treinamento adicionais se forem incluídos em varreduras para prestadores de serviços em risco com altas taxas de negação. Isso desperdiça tempo que deveria ser gasto atendendo pacientes, desacelera o fluxo de caixa atrasando reivindicações para revisões prospectivas e poderia prejudicar sua reputação com um rótulo de “problemático”.

Mantendo os Humanos no Loop

Prevenir esse tipo de resultado negativo exige humanos no loop. Existem três áreas de 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, qualidade de dados e governança adequados é fundamental para permitir que a IA atinja eficiências de pico. Para que isso aconteça, os desenvolvedores devem levar tempo para se envolver com os líderes e funcionários de conformidade de cobrança, codificação e ciclo de receita para entender completamente seus fluxos de trabalho e dados necessários para realizar suas funções.

A detecção eficaz de anomalias exige não apenas dados de cobrança, negação e reivindicação, mas também uma compreensão do complexo interjogo entre prestadores, codificadores, cobradores, 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 os profissionais entendam as regulamentações, tendências e prioridades mais recentes. O mesmo é verdade para as ferramentas de RCM habilitadas para IA. O aprendizado por reforço 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 fazê-lo.

3. Governança adequada.

Os humanos devem validar a saída da IA para garantir que ela é segura. Mesmo com codificação autônoma, um profissional de codificação deve garantir que a IA tenha aprendido adequadamente a 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 vazamentos 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 aumentem seus investimentos em tecnologia com treinamento de mão de obra e humanos para otimizar a precisão, produtividade e valor comercial.