Sağlık Hizmetlerinde AI’ı RCM’ye Entegre Etme: İnsanların Döngüde Kalması Neden Gerekir

AI, sağlık hizmeti gelir döngüsü yönetimi (RCM) alanında bir standart haline geldi, çünkü finans liderleri, üçüncü taraf denetim talepleri ve artan ret oranları ile karşı karşıya kalan, personeli yetersiz ve aşırı yüklenen departmanlara bir ölçüde rahatlama sağlamak istiyor.

Yeni yayımlanan 2023 Benchmark Raporu‘na göre, veri, AI ve teknoloji platformlarına yapılan artan yatırımlar, uyum ve gelir bütünlüğü bölümlerinin, 2022’ye kıyasla %10 daha fazla denetim faaliyeti gerçekleştirirken, takım boyutlarını %33 oranında azaltmalarını sağladı. RCM personel eksikliğinin yüksek olduğu bir zamanda, AI, kritik bir verimlilik artışı sağlıyor.

Sağlık kuruluşları şimdi, önceki yıllara kıyasla dört kat daha fazla denetim talebi bildiriyor – ve denetim talep mektupları 100’den fazla sayfaya ulaşıyor. İşte AI burada parlıyor – en büyük yeteneği, milyonlarca veri noktası arasında aykırı değerleri ve iğne’yi çuvala koymak. AI, RCM işlevi için önemli bir rekabet avantajı temsil ediyor ve AI’ı bir hype olarak gören sağlık finans liderleri, kısa sürede organizasyonlarının geride kaldığını görecekler.

AI Nerede Eksik Kalabilir

Sağlık hizmetlerinde真正 otonom AI, bir hayal. AI’ın birçok RCM görevini otomatikleştirmesini sağladığı doğru, ancak tam otonom sistemlerin vaadi henüz yerine getirilmedi. Bu, kısmen yazılım satıcılarının, hedeflenen iş akışlarını ve özellikle de içindeki insan temas noktalarını tam olarak anlamadan önce teknolojiye odaklanma eğiliminden kaynaklanıyor – bu, etkili AI entegrasyonu ve son kullanıcı benimsemesi olmayan bir uygulamaya yol açıyor.

İnsanların her zaman döngüde kalması, AI’ın karmaşık bir RCM ortamında uygun şekilde çalışmasını sağlamak için gerekli. Doğru ve kesinlik, otonom AI ile ilgili en zorlu zorluklar ve bu, insanların döngüde kalmasının sonuçları iyileştireceği alan.
Klinik taraf kadar yüksek olmasa da, kötü tasarlanmış AI çözümlerinin sonuçları önemli.

Sağlık kuruluşları için en açık finansal etkiler. Kötü eğitilmiş AI araçları, prospektif talepleri denetlemek için kullanıldığında, underkodlama örneklerini kaçırabilir, bu da kaçırılan gelir fırsatları anlamına gelir. Bir MDaudit müşterisi, sözde otonom kodlama sistemindeki yanlış bir kuralın, verilen ilaç birimlerini yanlış kodladığını ve 25 milyon dolarlık gelir kaybına neden olduğunu keşfetti. Hata, döngüde bir insan tarafından keşfedilmeseydi ve düzeltme yapılmazsa asla tespit edilemezdi.

AI, aynı zamanda aşırı kodlama sonuçları ile yanlış pozitifler konusunda da eksik kalabilir – sağlık kuruluşlarının, hükümetin sağlık hizmetleri sisteminde yolsuzluk, suistimal ve israf (FWA) ile mücadele misyonuna uygun olarak uyum içinde kalmaları gereken bir alan.
Kötü tasarlanmış AI, ayrıca bireysel sağlayıcıları da etkileyebilir. RCM anlamında “riskli sağlayıcı” kavramına uygun şekilde eğitilmemiş bir AI aracının olası etkilerini düşünün. Doktorlar, yüksek ret oranlarına sahip riskli sağlayıcılar için yapılan süpürme faaliyetlerinde yer aldıkları için ek incelemeye tabi tutulabilir, prospektif incelemeler için talepleri gecikebilir ve “sorunlu” bir etiketle damgalanabilir, bu da zamanın boşa harcanmasına, nakit akışının gecikmesine ve itibarlarının zarar görmesine neden olabilir.

İnsanları Döngüde Tutma

Bu tür olumsuz sonuçların önlenmesi, döngüde insanların kalmasını gerektirir. AI’ın optimal sonuçları elde etmek için her zaman insan katılımı gerektiren üç alanı vardır.

1. Güçlü bir veri temelinin oluşturulması.

Güçlü bir veri temelinin oluşturulması kritik, çünkü altta yatan veri modeli, uygun meta veri, veri kalitesi ve yönetim, AI’ın zirve verimliliklerini elde etmesini sağlayan anahtardır. Bunun gerçekleşmesi için, geliştiricilerin, faturalama uyum, kodlama ve gelir döngüsü liderleri ve personeli ile birlikte çalışarak, görevlerini yerine getirmek için gereken iş akışlarını ve verileri tam olarak anlamak için zaman ayırmaları gerekir.

Etkili anormallik tespiti, yalnızca faturalama, ret ve diğer talepler verileri değil, aynı zamanda sağlayıcılar, kodlayıcılar, faturalayıcılar, ödeyiciler vb. arasındaki karmaşık etkileşimi anlamak için gereklidir, böylece teknoloji, sürekli olarak riskleri gerçek zamanlı olarak değerlendirebilecek ve kullanıcıların eylemlerini ve faaliyetlerini ölçülebilir sonuçlar elde edecek şekilde yönlendirmeleri için gereken bilgileri sunabilecektir. Kuruluşlar veri temeline geçerse ve parlak araçları kullanarak AI modellerinin dağıtımını hızlandırırsa, AI modellerinden hallucinations ve yanlış pozitifler ortaya çıkacak ve gürültü oluşturacak, bu da benimsemeyi engelleyecektir.

2. Sürekli eğitim.

Sağlık hizmeti RCM, sürekli olarak gelişen bir meslek olup, profesyonellerin en son düzenlemeleri, trendleri ve öncelikleri anlamalarını sağlamak için sürekli eğitime ihtiyaç duyar. Aynı şey, AI destekli RCM araçları için de geçerlidir. Pekiştirme öğrenimi, AI’ın bilgi tabanını genişletmesine ve doğruluğunu artırmalarına olanak tanır. Kullanıcı girdisi, AI araçlarının güncel ve gelecekteki ihtiyaçları karşılayabilmesi için gerekli olan iyileştirme ve güncellemeler için kritik öneme sahiptir.

AI, gerçek zamanlı olarak eğitilebilmeli ve son kullanıcıların, bilgi aramaları ve/veya analiz sonuçları hakkında hemen girdi ve geri bildirim sağlayabilmesi nên mümkün olmalıdır. Ayrıca, kullanıcıların, gerektiğinde verileri güvensiz olarak işaretlemelerine olanak tanıyarak, bunların ölçeklendirilmesini önlemek için mümkün olmalıdır. Örneğin, belirli varlıklara veya kişilere mali kayıp veya uyum riski atfetmek, ancak bunu neden uygun olduğunu doğru bir şekilde açıklamamak.

3. Uygun yönetim.

İnsanların, AI’ın çıktısını doğrulaması ve güvenli olduğundan emin olması gerekir. Otonom kodlama dahil, bir kodlama profesyonelinin, AI’ın güncellenmiş kod setlerini veya yeni düzenleyici gereksinimleri uygulamak için nasıl “öğrendiğini” doğrulaması gerekir. İnsanların yönetim döngüsünden dışlanması, bir sağlık kuruluşunun, gelir sızıntısı, olumsuz denetim sonuçları, itibar kaybı ve daha fazlasına açık bırakmasına neden olur.

AI’ın sağlık hizmetlerini dönüştürebileceğine şüphe yoktur, özellikle RCM. Ancak bunu yapmak, sağlık kuruluşlarının teknoloji yatırımlarını, doğruluğu, verimliliği ve iş değerini optimize etmek için insan ve işgücü eğitimi ile tamamlamalarını gerektirir.