Integrering av AI i hälso- och sjukvårdens RCM: Varför människor måste förbli i loopen

AI har blivit en del av hälso- och sjukvårdens revenue cycle management (RCM) eftersom finansiella ledare försöker ge en viss lättnad för överbelastade och underbemannade avdelningar som står inför en aldrig tidigare skådad mängd krav på tredjepartsrevisioner och ökande avvisningsfrekvenser.

Enligt den nyligen släppta 2023 års benchmark-rapport har ökande investeringar i data, AI och teknologiplattformar möjliggjort för regelefterlevnads- och intäktsintegritetsavdelningar att minska sin personalstyrka med 33 % samtidigt som de utför 10 % fler revisionsaktiviteter jämfört med 2022. I en tid då det råder brist på personal inom RCM ger AI en kritisk produktivitetsboost.

Hälso- och sjukvårdsorganisationer rapporterar nu fyra gånger fler revisionsbegäranden än de fick tidigare – och revisionskraven är över 100 sidor långa. Här utmärker sig AI – dess största förmåga är att upptäcka avvikelser och “nålar i höstacken” bland miljontals datapunkter. AI representerar en betydande konkurrensfördel för RCM-funktionen, och hälso- och sjukvårdsfinansiella ledare som avfärdar AI som en hype kommer snart att upptäcka att deras organisationer hamnar på efterkälken.

Där AI kan brista

Verkligen autonom AI inom hälso- och sjukvården är en pipdröm. Medan det är sant att AI har möjliggjort automatisering av många RCM-uppgifter kvarstår löftet om fullständigt autonoma system outförverkligat. Detta beror delvis på att programvaruleverantörer tenderar att fokusera på teknologi utan att först ta sig tid att fullständigt förstå de målade arbetsflödena och viktigt, de mänskliga kontaktytorna inom dem – en praxis som leder till ineffektiv AI-integrering och användaracceptans.

Människor måste alltid finnas i loopen för att säkerställa att AI kan fungera på lämpligt sätt i en komplex RCM-miljö. Exakthet och precision kvarstår som de svåraste utmaningarna med autonom AI, och det är här mänsklig inblandning i loopen kommer att förbättra resultaten. Medan insatserna kanske inte är lika höga för RCM som de är på den kliniska sidan är följderna av dåligt utformade AI-lösningar likväl betydande.

De finansiella effekterna är de mest uppenbara för hälso- och sjukvårdsorganisationer. Dåligt tränade AI-verktyg som används för att utföra prospektiva anspråksrevisioner kan missa fall av underkodning, vilket innebär missade intäktsmöjligheter. En MDaudit-kund upptäckte att en felaktig regel inom deras så kallade autonoma kodningssystem felaktigt kodade läkemedelsenheter som administrerades, vilket resulterade i 25 miljoner dollar i förlorade intäkter. Felet skulle aldrig ha upptäckts och korrigerats om det inte vore för en människa i loopen som upptäckte bristen.

På samma sätt kan AI också brista när det gäller överkodningsresultat med falska positiva resultat – ett område där hälso- och sjukvårdsorganisationer måste vara förenliga med regeringens uppdrag att bekämpa bedrägeri, missbruk och slöseri (FWA) i hälso- och sjukvårdssystemet.

Dåligt utformad AI kan också påverka enskilda vårdgivare. Tänk på konsekvenserna om ett AI-verktyg inte är ordentligt tränat på begreppet “riskutsatt vårdgivare” i RCM-sammanhang. Läkare kan finna sig själva orättvist måltavlor för ytterligare granskning och utbildning om de ingår i svep för riskutsatta vårdgivare med höga avvisningsfrekvenser. Det slösar bort tid som borde läggas på att se patienter, bromsar kontantflödet genom att fördröja anspråk för prospektiva granskningar och kunde skada deras rykte genom att ge dem en “problematisks” etikett.

Att hålla människor i loopen

För att förhindra dessa typer av negativa resultat krävs det att människor finns i loopen. Det finns tre områden inom AI som alltid kommer att kräva mänsklig inblandning för att uppnå optimala resultat.

1. Att bygga en stark datagrund.

Att bygga en robust datagrund är avgörande, eftersom den underliggande datamodellen med korrekt metadata, datakvalitet och styrning är nyckeln till att AI kan uppnå toppprestationer. För att detta ska ske måste utvecklare ta sig tid att gå i clinch med faktureringstillämpning, kodning och RCM-ledare och personal för att fullständigt förstå deras arbetsflöden och data som behövs för att utföra sina uppgifter.

Effektiv avvikelseupptäckt kräver inte bara fakturering, avvisningar och annan anspråksdata utan också en förståelse för det komplexa samspelet mellan vårdgivare, kodare, faktureringsspecialister, betalare osv. för att säkerställa att tekniken kan kontinuerligt bedöma risker i realtid och leverera till användarna den information som behövs för att fokusera deras åtgärder och aktiviteter på sätt som driver mätbara resultat. Om organisationer hoppar över datagrunden och påskyndar distributionen 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 hämma acceptans.

2. Kontinuerlig utbildning.

Hälso- och sjukvårdens RCM är ett kontinuerligt utvecklande yrke som kräver kontinuerlig utbildning för att säkerställa att proffsen förstår de senaste reglerna, trenderna och prioriteringarna. Detsamma gäller AI-aktiverade RCM-verktyg. Förstärkt inlärning tillåter AI att expandera sin kunskapsbas och öka sin exakthet. Användarinput är avgörande för förfining och uppdateringar för att säkerställa att AI-verktygen uppfyller nuvarande och framtida behov.

AI bör kunna tränas i realtid, vilket tillåter slutanvändare att omedelbart ge input och feedback på resultaten av informations sökningar och/eller analys för att stödja kontinuerligt lärande. Det bör också vara möjligt för användare att markera data som osäker när det är befogat för att förhindra dess förstoring i skala. Till exempel att tillskriva finansiell förlust eller regelefterlevnadsrisk till specifika enheter eller individer utan att ordentligt förklara varför det är lämpligt att göra det.

3. Korrekt styrning.

Människor måste validera AI:s utdata för att säkerställa att det är säkert. Även med autonom kodning måste en kodningsexpert säkerställa att AI har “lärt” sig att tillämpa uppdaterade koduppsättningar eller hantera nya regleringskrav. När människor utesluts från styrningsloopens utsätter en hälso- och sjukvårdsorganisation sig själv för intäktsläckage, negativa revisionsresultat, ryktesförlust och mycket mer.

Det finns ingen tvekan om att AI kan transformera hälso- och sjukvården, särskilt RCM. Men för att göra det krävs det att hälso- och sjukvårdsorganisationer kompletterar sina teknikutgifter med mänsklig och arbetsstyrkeutbildning för att optimera exakthet, produktivitet och affärsverdi.