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 utanförskapliga volymer av tredjepartsrevisionskrav och ökande avvisningsfrekvenser.

Enligt den nyligen publicerade 2023 Benchmark Report har växande investeringar i data, AI och teknologiplattformar möjliggjort för compliance- och intäktsintegritetsavdelningar att minska sin personalstyrka med 33 % samtidigt som de utför 10 % fler revisionsaktiviteter jämfört med 2022. I en tid då RCM-personalbrist är hög ger AI en kritisk produktivitetsboost.

Hälso- och sjukvårdsorganisationer rapporterar nu om fyra gånger fler revisionsbegäranden än tidigare år – och revisionskraven löper mer än 100 sidor. Här är AI lysande – dess största förmåga är att upptäcka avvikelser och nålar i höstacken över miljontals datapunkter. AI representerar en betydande konkurrensfördel för RCM-funktionen, och hälso- och sjukvårdsfinansiella ledare som avfärdar AI som hype kommer snart att finna sina organisationer långt efter.

Där AI kan brista

Verkligen autonom AI i hälso- och sjukvården är en pipdröm. Medan det är sant att AI har möjliggjort automatisering av många RCM-uppgifter, kvarstår löftet om fullt autonoma system ofyllt. Detta beror delvis på mjukvaruleverantörers benägenhet att fokusera på teknologi utan att först ta sig tid att fullständigt förstå de målade arbetsflödena och viktigt, de mänskliga kontaktpunkterna inom dem – en praxis som leder till ineffektiv AI-integration och slutanvändarantagande.

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

Finansiella påverkan är den mest uppenbara för hälso- och sjukvårdsorganisationer. Dåligt utbildade AI-verktyg som används för att utföra prospektiva anspråksrevisioner kan missa instanser 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 inte en människa i loopen upptäckte bristen.

Likaså kan AI också brista med överkodningsresultat med falska positiva – ett område där hälso- och sjukvårdsorganisationer måste stanna i överensstämmelse med regeringens mål att bekämpa bedrägeri, missbruk och slöseri (FWA) i hälso- och sjukvårdssystemet.

Dåligt utformad AI kan också påverka enskilda leverantörer. Överväg konsekvenserna om ett AI-verktyg inte är ordentligt utbildat på begreppet “på risk-leverantör” i revenue cycle-sammanhang. Läkare kan finna sig själva orättvist riktade för ytterligare granskning och utbildning om de ingår i svep för på risk-leverantörer med höga avvisningsfrekvenser. Det slösar bort tid som borde läggas på att se patienter, bromsar kontantflödet genom att försena anspråk för prospektiva granskningar och kunde skada deras rykte genom att ge dem en “problematic” etikett.

Att hålla människor i loopen

Förhindrande av dessa typer av negativa resultat kräver människor i loopen. Det finns tre områden av AI i synnerhet som alltid kommer att kräva mänskligt engagemang för att uppnå optimala resultat.

1. Bygga en stark datagrund.

Bygga en robust datagrund är kritiskt, eftersom den underliggande datamodellen med lämplig metadata, datakvalitet och styrning är nyckeln till att möjliggöra AI för att uppnå topp-effektivitet. För att detta ska hända, måste utvecklare ta sig tid att komma ner i skyttegravarna med fakturering, compliance, kodning och revenue cycle-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 andra anspråksdata, utan också en förståelse för det komplexa samspelet mellan leverantörer, kodare, fakturering, betalare etc. 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 accelererar distributionen av sina AI-modeller med blanka verktyg, kommer det att resultera i hallucinationer och falska positiva från AI-modellerna som kommer att orsaka brus och hindra antagande.

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 kritiskt för att förbättra och uppdatera AI-verktyg för att säkerställa att de möter nuvarande och framtida behov.

AI bör vara utbildningsbar i realtid, vilket tillåter slutanvändare att omedelbart ge input och feedback på resultaten av informationssökningar och/eller analys för att stödja kontinuerligt lärande. Det bör också vara möjligt för användare att markera data som osäker när det är motiverat för att förhindra dess förstärkning i skala. Till exempel, att tillskriva finansiell förlust eller compliance-risk till specifika enheter eller individer utan att ordentligt förklara varför det är lämpligt att göra det.

3. Lämplig styrning.

Människor måste validera AI:s utdata för att säkerställa att det är säkert. Även med autonom kodning måste en kodningsprofessionell säkerställa att AI har ordentligt “lärt” sig att tillämpa uppdaterade koduppsättningar eller hantera nya regleringskrav. När människor utesluts från styrningsloopen, lämnar en hälso- och sjukvårdsorganisation sig själv öppen 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 att hälso- och sjukvårdsorganisationer kompletterar sina teknikutgifter med mänsklig och arbetsstyrkeutbildning för att optimera exakthet, produktivitet och affärsverdi.