Интеграция ИИ в управление доходами здравоохранения: почему люди должны оставаться в цикле

ИИ стал неотъемлемой частью управления доходами здравоохранения (RCM), поскольку лидеры финансов ищут способы облегчить нагрузку на перегруженные и недоукомплектованные отделы, которые сталкиваются с беспрецедентным количеством требований третьих сторон и растущими показателями отказов.

Согласно недавно опубликованному Отчету о показателях 2023 года, растущие инвестиции в данные, ИИ и технологические платформы позволили департаментам соблюдения правил и целостности доходов сократить количество сотрудников на 33%, одновременно увеличивая количество аудиторских мероприятий на 10% по сравнению с 2022 годом. В то время, когда нехватка кадров в RCM высока, ИИ обеспечивает критический прирост производительности.

Организации здравоохранения теперь сообщают о четырехкратном увеличении количества запросов на аудит по сравнению с предыдущими годами – и письма с требованиями аудита превышают 100 страниц. Именно здесь ИИ демонстрирует свои лучшие способности – его величайшая способность заключается в обнаружении аномалий и иголок в стоге среди миллионов точек данных. ИИ представляет собой значительное конкурентное преимущество для функции RCM, и лидеры финансового сектора здравоохранения, которые отвергают ИИ как моду, скоро обнаружат, что их организации отстают.

Где ИИ может не оправдать ожиданий

По-настоящему автономный ИИ в здравоохранении – это миф. Хотя верно, что ИИ позволил автоматизировать многие задачи RCM, обещание полностью автономных систем остается невыполненным. Это частично связано с тем, что поставщики программного обеспечения склонны сосредотачиваться на технологиях, не тратя времени на полное понимание целевых рабочих процессов и, что более важно, человеческих точек взаимодействия в них – практика, которая приводит к неэффективной интеграции ИИ и принятию конечными пользователями.

Люди всегда должны быть в цикле, чтобы обеспечить правильную работу ИИ в сложной среде RCM. Точность и точность остаются самыми сложными задачами для автономного ИИ, и именно здесь участие людей в цикле улучшит результаты. Хотя ставки могут не быть так высоки для RCM, как на клинической стороне, последствия плохо спроектированных решений ИИ все же значительны.

Финансовые последствия являются наиболее очевидными для организаций здравоохранения. Плохо обученные инструменты ИИ, используемые для проведения перспективных аудитов претензий, могут пропустить случаи недооценки, что означает упущенные возможности получения дохода. Один из клиентов MDaudit обнаружил, что неправильное правило в их так называемой автономной системе кодирования неправильно кодировало единицы лекарств, что привело к потерям в размере 25 миллионов долларов. Ошибка никогда не была бы обнаружена и исправлена, если бы не человек в цикле, который обнаружил недостаток.

Аналогично, ИИ также может не оправдать ожиданий при переоценке результатов с ложными положительными показателями – области, в которой организации здравоохранения должны оставаться в соответствии с миссией правительства по борьбе с мошенничеством, злоупотреблениями и расточительством (FWA) в системе здравоохранения.

Плохо спроектированный ИИ также может повлиять на отдельных поставщиков медицинских услуг. Рассмотрим последствия, если инструмент ИИ не был должным образом обучен на концепцию ” поставщика с высоким риском” в смысле доходов. Врачи могли бы обнаружить, что они несправедливо подвергаются дополнительному контролю и обучению, если они включены в обследования поставщиков с высокими показателями отказов. Это тратит время, которое должно быть потрачено на прием пациентов, замедляет поток денежных средств, задерживая претензии для перспективных обзоров, и может нанести ущерб их репутации, присвоив им ярлык “проблемного”.

Сохранение людей в цикле

Предотвращение таких негативных последствий требует участия людей в цикле. Существуют три области ИИ, которые всегда будут требовать человеческого участия для достижения оптимальных результатов.

1. Создание прочной основы данных.

Создание прочной основы данных имеет решающее значение, поскольку базовая модель данных с правильной метаданными, качеством данных и управлением является ключом к тому, чтобы ИИ достигал пиковых показателей эффективности. Для этого разработчикам необходимо потратить время на работу с лидерами и сотрудниками отделов соблюдения правил, кодирования и доходов, чтобы полностью понять их рабочие процессы и необходимые данные для выполнения своих обязанностей.

Эффективное обнаружение аномалий требует не только данных о выставлении счетов, отказах и других претензиях, но и понимания сложного взаимодействия между поставщиками, кодерами, выставляющими счета, плательщиками и т. д., чтобы обеспечить, что технология способна непрерывно оценивать риски в режиме реального времени и предоставлять пользователям информацию, необходимую для концентрации их действий и деятельности в направлении достижения измеримых результатов. Если организации пропускают основу данных и ускоряют развертывание своих моделей ИИ с помощью блестящих инструментов, это приведет к галлюцинациям и ложным положительным результатам моделей ИИ, что вызовет шум и препятствовать принятию.

2. Постоянное обучение.

Управление доходами здравоохранения – это непрерывно эволюционирующая профессия, требующая постоянного образования, чтобы обеспечить, что специалисты понимают последние правила, тенденции и приоритеты. То же самое относится и к инструментам ИИ, используемым в RCM. Обучение с подкреплением позволяет ИИ расширить свою базу знаний и увеличить точность. Входные данные пользователей имеют решающее значение для уточнения и обновления, чтобы обеспечить, что инструменты ИИ удовлетворяют текущим и будущим потребностям.

ИИ должен быть обучаемым в режиме реального времени, позволяя конечным пользователям сразу же предоставлять входные данные и обратную связь по результатам поиска информации и/или анализа для поддержки непрерывного обучения. Также должно быть возможно для пользователей отметить данные как небезопасные, когда это оправдано, чтобы предотвратить их усиление в масштабе. Например, приписывание финансовых потерь или рисков соблюдения правил конкретным сущностям или лицам без надлежащего объяснения, почему это оправдано.

3. Правильное управление.

Люди должны проверять выходные данные ИИ, чтобы обеспечить их безопасность. Даже с автономным кодированием профессионал по кодированию должен обеспечить, что ИИ правильно “научился” применять обновленные наборы кодов или решать новые нормативные требования. Когда люди исключены из цикла управления, организация здравоохранения оставляет себя открытым для утечки доходов, негативных результатов аудита, потери репутации и многого другого.

Не существует сомнений в том, что ИИ может преобразовать здравоохранение, особенно RCM. Однако для этого организации здравоохранения должны дополнить свои технологические инвестиции обучением людей и персонала, чтобы оптимизировать точность, производительность и бизнес-ценность.