Dr. Rihan Javid, Rinova ve Edge’in CEO ve Kurucu Ortağı – Röportaj Serisi

Dr. Rihan Javid, Rinova AI’nin CEO ve Kurucu Ortağı, sağlık hizmetleri operasyonlarını modernleştirmeye yönelik bir physician-executive ve girişimcidir. Rinova’yı yönetmenin yanı sıra, sigorta, tıbbi ve diş praktiklerine uzaktan çalışma altyapısı çözümleri sunan Edge‘in Kurucu Ortağı ve Başkanıdır. Bir psikiyatri uzmanı olarak, şu anda CommonSpirit Health ve St. Joseph’s Behavioral Health Center’da Tıp Direktörü ve Baş Tıp Sorumlusu olarak görev yapmaktadır ve aynı zamanda Touro University Tıp Grubu’nda klinik bir role sahiptir. Daha önceki deneyimi, The Permanente Medical Group, Inc.’de psikiyatri uygulaması ve California Pacific Medical Center ve Güney Florida Üniversitesi’nde rezidans eğitimini tamamlamayı içerir ve daha önceki liderlik deneyimi, yasal işe alma alanında bir asıl olarak görev yapmıştır.

Rinova AI, AI destekli gelir döngüsü yönetimi ve tıbbi faturalama otomasyonu üzerine odaklanan bir sağlık teknolojisi şirketidir. Platform, sağlayıcılar için idari yükleri azaltmak amacıyla sigorta doğrulaması, kod optimizasyonu, talep gönderimi ve ret yönetimi gibi ana süreçleri otomatikleştirmek üzere tasarlanmıştır. Yapay zeka kullanarak iş akışlarını iyileştirmek ve doğruluğu artırmak suretiyle, Rinova, geleneksel faturalama hizmetlerine kıyasla önemli maliyet tasarrufu sağlamak ve sağlık kurumları için ödeme hızını artırmak ve mali performansı iyileştirmek amacıyla çalışmaktadır.

Siz Edge’i 2021 yılında, bir psikiyatri uzmanı olarak yıllarca çalıştıktan ve daha sonra tıp direktörü ve CMO olarak görev yaptıktan sonra kurmuştunuz. Faturalama iş akışlarında, parçalı veri, değişen ödeme kuralları veya manuel istisna işlemleri gibi erken sinyalleri ne şekilde tespit ettiniz ki, sonunda otomasyonun kaçınılmaz olacağına ikna oldunuz?

Uygulama yaptığım ve daha sonra klinik operasyonları yönettiğim sırada, faturalamada ne kadar sürtüşme olduğunu gördüm. Veriler, iyi iletişim kurmayan birden fazla sisteme yayılmıştı. Ödeme kuralları sürekli değişiyordu. Personel, genellikle öngörülebilir nedenlerle talepleri yeniden işliyordu.

Beni etkileyen şey tekrardı. Aynı hatalar, aynı ret kalıpları, aynı belge açıkları. Bunlar nadir, nüanslı sorunlar değildi. Bunlar tekrarlanan operasyonel arızalardı. Bir belirli ölçekte, insanların bu karmaşıklığı manuel olarak yönetmesini istemek sürdürülebilir değildir. İşte o zaman otomasyonun isteğe bağlı olmadığı, kaçınılmaz olduğu anlaşılır.

Rinova AI’yi birkaç yıl sonra başlattığınızda, gelir döngüsü yönetimine güvenilir bir şekilde çalışabilen canlı ödeme kuralları ve gerçek dünya talebi karmaşıklığına karşı AI uygulamak için teknoloji veya veri tarafında ne gibi değişiklikler oldu?

İki şey değişti. İlk olarak, veri ortamı iyileşti. EHR’ler, clearinghouse’lar ve faturalama platformları arasındaki entegrasyonlar daha yapılandırıldı. Bu, daha temiz girdiler ve daha güçlü geri bildirim döngüleri sağladı.

İkinci olarak, teknoloji olgunlaştı. Basit kurallar motorlarından öteye geçtik. Modeller, yalnızca kutuları kontrol etmek yerine bağlamı değerlendirebilecek hale geldi. Bu, belgeleri, kodlamayı ve ödeme mantığını birlikte değil, ayrı ayrı analiz etmemize olanak sağladı.

Faturalama突然 basit hale gelmedi. Ekosistem, AI’nin güvenilir bir şekilde çalışabilmesi için yeterince istikrarlı hale geldi.

Gelir döngüsü yönetimi geleneksel olarak statik kurallara ve ret Sonrası kurtarma işlemine dayanmaktadır. İş akışının erken aşamalarında AI’ı tanıtmak, hastanelerin finansal risk ve ödeme öngörülebilirliği hakkında düşüncelerini nasıl değiştirir?

Geleneksel olarak, gelir döngüsü ekipleri belirli bir ret oranını kabul eder. İş, bir şey yanlış gittiğinde başlar.

AI, akışın yukarı kısmına tanıtıldığında, amaç retten kurtulmaya değil, önlenmeye dönüşür. Talep gönderilmeden önce belge açıklarını veya kodlama uyuşmazlıklarını tespit edebilirsiniz. Bu, ödeme değişkenliğini azaltır.

Hastaneler, gelir peşinde koşmaktan ziyade riski kontrol etmeye başlar. Bu, tahmini, personel modellemesi ve finansal istikrar hakkında yönetim kurulu düzeyinde yapılan konuşmaları değiştirir.

AI sistemleri genellikle standart vakalarda iyi performans gösterir, ancak kenar durumlarda zorluk çeker. Şu anda faturalama operasyonlarında, otomasyonun en etkili şekilde ele alabileceği senaryo türleri hangileridir ve insan yargısı hangi alanlarda kritik bir rol oynamaya devam etmektedir?

Otomasyon, yapılandırılmış, yüksek hacimli görevlerde en iyi şekilde çalışır. Eligibility kontrolleri, yetkilendirme doğrulaması, kodlama tutarlılığı ve ret kalıp tespiti, makinelerin insanlardan daha hızlı ve daha tutarlı bir şekilde işleyebileceği alanlardır.

İnsan yargısı, kenar durumlarda önemli olmaya devam eder. Klinik nüans gerektiren temyizler, sözleşmesel anlaşmazlıklar, olağanüstü ödeme davranışı veya karmaşık hasta senaryoları, deneyim ve akıl yürütme gerektirir. AI, riski saptayabilir. İnsanlar gri alanları yorumlar ve nihai kararları verir.

Edge, sağlık hizmetleri gelir döngüsü ekiplerini hastane iş akışlarına entegre ederken, Rinova AI karar verme sürecini yukarı akışta otomatikleştirir. AI sistemlerini, insan karar alma sürecini güçlendirmek yerine yeni operasyonel riskler getirerek tasarlamak yerine nasıl yaklaşmaktasınız?

AI’ı, bir yerine koyma değil, bir destek katmanı olarak ele alıyoruz. Sistem, öneriler sunar ve mantığını açıklar. Sağlık eğitimi almış ekiplerimiz iş akışında kalır.

Bu yapı önemlidir. AI, ölçek ve model tanıma işlemlerini ele alır. İnsanlar, denetim ve hesap verebilirlik işlemlerini ele alır. Roller net olduğunda, riski azaltırsınız, artırmazsınız.

Hedef, bilişsel aşırı yükleme azaltmaktır, insan yargısını kaldırmak değildir.

Ödeme politikaları sık sık değişir ve her zaman tutarlı bir şekilde uygulanmaz. Gerçek zamanlı ödeme zekası, talep gönderimi, ret ve sürekli model geliştirme arasındaki geri bildirim döngüsünü nasıl yeniden şekillendirir?

Ödeme politikaları sık sık değişir ve uygulama her zaman tutarlı değildir. Tarihçe, kuralların periyodik olarak güncellendiğini ve güncel olmayı umduğunu göstermektedir.

Gerçek zamanlı geri bildirimle, her ret ve onay bir veri noktası haline gelir. Model, statik varsayımlar yerine gerçek sonuçlardan öğrenir. Bu, politika değişikliği ile operasyonel ayar arasındaki boşluğu kısaltır.

Zamanla, bu, sürpriz retleri azaltır ve gönderim doğruluğunu artırır. Sistemi daha uyumlu hale getirir.

Hastaneler, AI sistemlerinin nakit akışını etkilemesi konusunda haklı olarak temkinlidir. Sağlık liderlerinin AI destekli faturalama kararlarına güvenmeden önce hangi düzeyde şeffaflık veya kontrolü beklemeleri gerekir?

Liderler, açıklık beklemelidir. Öneri neden yapıldığını anlamalıdırlar. Onu geçersiz kılma imkanına sahip olmalıdırlar. Ve net bir denetim izi olmalıdır.

Gelir döngüsü, nakit akışını ve uyumu doğrudan etkiler. Güven, görünürlükten ve kontrole dayanır, kör otomasyondan değil. Bu alanda çalışan herhangi bir AI sistemi bu standardı karşılamalıdır.

Gelir döngüsü ekiplerindeki personel eksiklikleri genellikle işgücü sorunları olarak ele alınmaktadır. Sorunun ne kadarının aslında veri kalitesi ve iş akışı tasarımı ile ilgili olduğunu düşünüyorsunuz ve AI’nın en büyük etkiye sahip olabileceği alan neresidir?

Personel eksiklikleri gerçek, ancak birçok durumda iş akışı tasarımı tarafından amplifiye edilmektedir. Ekipler, önlenemez hataları düzeltmekle geçirdikleri süreyi harcarsa, yanma ve verimlilik düşer.

Veri girişlerini temizlerseniz ve kaçınılabilecek retleri azaltırsanız, aynı ekip daha etkili bir şekilde çalışabilir. AI, tekrarlanan yeniden çalışma işlemlerini kaldırarak ve süreçleri standartlaştırarak en büyük etkiye sahiptir.

Sorun genellikle sadece personel sayısı değildir. Sürtüşmedir.

Gelir döngüsü operasyonlarına AI entegre edildiğinde, gelir döngüsü ekiplerinin rollerinin nächsten birkaç yıl içinde nasıl evrileceğini öngörüyorsunuz? Denetim, istisna işlemleri ve yönetim nasıl değişecektir?

Gelir döngüsü ekiplerinin daha stratejik hale geleceğini öngörüyorum. Tekrarlayan işlemlerle daha az zaman harcarlar. Karmaşık temyizler, ödeme müzakereleri, performans analizi ve denetim için daha fazla zaman harcarlar.

Otomasyon rutin işleri ele aldıkça, insan ekipleri yönetim ve optimizasyona kayar. Bu, fonksiyonu küçültmek yerine yükseltir.

İleriye bakıldığında, AI destekli gelir döngüsü platformlarının hastaneler için temel finansal altyapıya dönüşeceğini ve bu değişimin marj baskısı altında çalışan organizasyonlar için neler sağlayabileceğini öngörüyor musunuz?

Evet. Marj baskısı gitmeyecek. Ödeme öngörülebilirliği temel hale gelecek.

AI destekli platformlar, doğruluğu artırarak ve sızıntıyı azaltarak, gelir döngüsü yönetiminde temel altyapıya dönüşecek. Nakit akışı daha稳diğinde, hastaneler daha fazla güvenle planlayabilir ve hasta bakımına daha bilinçli bir şekilde yatırım yapabilir.

Bu, sonunda önem verdiğimiz sonuçtur.

Harika röportaj için teşekkür ederiz. Daha fazla bilgi edinmek isteyen okuyucular Rinova AI veya Edge‘i ziyaret edebilir.