Integrating AI Into Healthcare RCM: Why Humans Must Remain in the Loop

AI har blivit ett inslag i hälsovårdens intäktscykelhantering (RCM) eftersom finansledare försöker ge ett mått av lättnad för överbelastade, underbemannade avdelningar som står inför oöverträffade volymer av revisionskrav från tredje part och stigande avslagsfrekvens.

Enligt den nyligen släppta 2023 Benchmark Report, växande investeringar i data-, AI- och teknikplattformar har gjort det möjligt för avdelningar för efterlevnad och intäktsintegritet att minska sin teamstorlek med 33 % samtidigt som de utför 10 % mer i revisionsaktiviteter jämfört med 2022. I en tid då RCM-personalbristen är stor, tillhandahåller AI en kritisk produktivitetsökning.

Sjukvårdsorganisationer rapporterar nu fyra gånger fler granskningsförfrågningar än de som tagits emot under tidigare år – och revisionsbegäran är på över 100 sidor. Det är här AI lyser – dess största förmåga är att avslöja extremvärden och nålar i höstacken över miljontals datapunkter. AI representerar en betydande konkurrensfördel för RCM-funktionen, och sjukvårdsekonomiledare som avfärdar AI som en hype kommer snart att finna sina organisationer kvar.

Där AI kan komma till kort

Verkligen autonom AI inom vården är en dröm. Även om det är sant att AI har möjliggjort automatisering av många RCM-uppgifter, är löftet om helt autonoma system fortfarande ouppfyllt. Detta beror delvis på mjukvaruleverantörers benägenhet att fokusera på teknik utan att först ta sig tid att helt förstå de riktade arbetsflödena och, viktigare, de mänskliga kontaktpunkterna inom dem – en praxis som leder till ineffektiv AI-integration och slutanvändarantagande.

Människor måste alltid vara i slingan för att säkerställa att AI kan fungera korrekt i en komplex RCM-miljö. Noggrannhet och precision är fortfarande de tuffaste utmaningarna med autonom AI och det är här som att involvera människor i loopen kommer att förbättra resultaten. Även om insatserna kanske inte är lika höga för RCM som de är på den kliniska sidan, är återverkningarna av dåligt utformade AI-lösningar ändå betydande.

Ekonomiska konsekvenser är de mest uppenbara för vårdorganisationer. Dåligt utbildade AI-verktyg som används för att genomföra potentiella anspråksrevisioner kan missa instanser av underkodning, vilket innebär missade intäktsmöjligheter. En MDaudit-kund upptäckte att en felaktig regel inom deras så kallade autonoma kodningssystem var felaktigt kodande av administrerade läkemedelsenheter, vilket resulterade i 25 miljoner dollar i förlorade intäkter. Felet skulle aldrig ha fångats och korrigerats om inte en människa i slingan avslöjade felet.

Likaså kan AI också misslyckas med överkodningsresultat med falska positiva resultat – ett område där hälso- och sjukvårdsorganisationer måste hålla sig följsamma i linje med regeringens uppdrag att bekämpa bedrägeri, missbruk och avfall (FWA) i hälso- och sjukvårdssystemet.

Dåligt utformad AI kan också påverka enskilda leverantörer. Tänk på konsekvenserna om ett AI-verktyg inte är ordentligt utbildat i konceptet "at-risk provider" i intäktscykelns mening. Läkare kan hitta sig själva orättvist riktade till ytterligare granskning och utbildning om de inkluderas i svep för leverantörer i riskzonen med höga avslagsfrekvenser. Det slösar bort tid som borde läggas på att träffa patienter, saktar ner kassaflödet genom att fördröja anspråk på potentiella recensioner och kan skada deras rykte genom att ge dem en "problematisk" etikett.

Att hålla människor i slingan

För att förhindra dessa typer av negativa utfall krävs att människor är med i slingan. Det finns särskilt tre områden inom AI som alltid kommer att kräva mänskligt engagemang för att uppnå optimala resultat.

1. Bygga en stark databas.

Att bygga en robust databas är avgörande, eftersom den underliggande datamodellen med korrekt metadata, datakvalitet och styrning är nyckeln för att AI ska kunna uppnå maximal effektivitet. För att detta ska hända måste utvecklare ta tid att komma in i skyttegravarna med faktureringsefterlevnad, kodning och intäktscykelledare och personal för att fullt ut förstå sina arbetsflöden och data som behövs för att utföra sina uppgifter.

Effektiv upptäckt av anomalier kräver inte bara fakturerings-, avslags- och andra anspråksdata utan också en förståelse för det komplexa samspelet mellan leverantörer, kodare, fakturorer, betalare etc. för att säkerställa att tekniken kan kontinuerligt bedöma risker i realtid och leverera till användarna den information som behövs för att fokusera sina handlingar och aktiviteter på ett sätt som leder till mätbara resultat. Om organisationer hoppar över databasen och påskyndar implementeringen av sina AI-modeller med hjälp av blanka verktyg, kommer det att resultera i hallucinationer och falska positiva resultat från AI-modellerna som kommer att orsaka brus och hindra adoption.

2. Kontinuerlig träning.

Healthcare RCM är ett yrke i ständig utveckling som kräver fortlöpande utbildning för att säkerställa att dess personal förstår de senaste reglerna, trenderna och prioriteringarna. Detsamma gäller för AI-aktiverade RCM-verktyg. Förstärkningsinlärning gör att AI kan utöka sin kunskapsbas och öka dess noggrannhet. Användarinput är avgörande för förfining och uppdateringar för att säkerställa att AI-verktyg uppfyller nuvarande och framtida behov.

AI bör kunna tränas i realtid, så att slutanvändare omedelbart kan ge input och feedback på resultaten av informationssökningar och/eller analyser för att stödja kontinuerligt lärande. Det bör också vara möjligt för användare att markera data som osäkra när det är motiverat för att förhindra att de förstärks i stor skala. Till exempel att tillskriva ekonomiska förluster eller efterlevnadsrisk till specifika enheter eller individer utan att korrekt förklara varför det är lämpligt att göra det.

3. Rätt styrning.

Människor måste validera AI:s utdata för att säkerställa att den är säker. Även med autonom kodning måste en kodningsexpert se till att AI på rätt sätt har "lärt sig" hur man tillämpar uppdaterade koduppsättningar eller hanterar nya regulatoriska krav. När människor utesluts från förvaltningsslingan, lämnar en vårdorganisation sig själv vidöppen för intäktsläckage, negativa revisionsresultat, förlust av rykte och mycket mer.

Det råder ingen tvekan om att AI kan förändra hälso- och sjukvården, särskilt RCM. Men att göra det kräver att vårdorganisationer utökar sina teknologiinvesteringar med utbildning av människor och personal för att optimera noggrannhet, produktivitet och affärsvärde.