Yapay Zekanın Sağlık Hizmeti RCM'sine Entegre Edilmesi: İnsanlar Neden Döngüde Kalmalıdır?

Finans liderleri, benzeri görülmemiş hacimlerde üçüncü taraf denetim talepleri ve artan ret oranlarıyla karşı karşıya kalan aşırı yüklü, yetersiz personele sahip departmanlar için bir rahatlama önlemi sağlamaya çalışırken, yapay zeka sağlık hizmetleri gelir döngüsü yönetiminde (RCM) bir demirbaş haline geldi.

Yeni çıkana göre 2023 Karşılaştırma RaporuVeri, yapay zeka ve teknoloji platformlarına yapılan artan yatırımlar, uyumluluk ve gelir bütünlüğü departmanlarının ekip büyüklüklerini %33 oranında azaltmasına ve 10'ye kıyasla denetim faaliyetlerinde %2022 daha fazla performans sergilemesine olanak tanıdı. RCM personel sıkıntısının yüksek olduğu bir dönemde yapay zeka, kritik bir üretkenlik artışı.

Sağlık kuruluşları artık önceki yıllara göre dört kat daha fazla denetim talebi bildiriyor ve denetim talep mektupları 100 sayfadan fazla sürüyor. Yapay zekanın parladığı yer burasıdır; en büyük yeteneği, milyonlarca veri noktasında samanlıktaki aykırı değerleri ve iğneleri ortaya çıkarmasıdır. Yapay zeka, RCM fonksiyonu için önemli bir rekabet avantajını temsil ediyor ve yapay zekayı abartılı bir reklam olarak gören sağlık hizmetleri finansmanı liderleri, kısa süre içinde kuruluşlarının geride kaldığını görecek.

Yapay Zekanın Yetersiz Kalabileceği Yerler

Sağlık hizmetlerinde gerçekten otonom yapay zeka boş bir hayal. Yapay zekanın birçok RCM görevinin otomasyonunu sağladığı doğru olsa da, tam otonom sistem vaadi henüz yerine getirilmedi. Bunun nedeni kısmen yazılım satıcılarının, öncelikle hedeflenen iş akışlarını ve daha da önemlisi bunların içindeki insan temas noktalarını tam olarak anlamaya zaman ayırmadan teknolojiye odaklanma eğiliminden kaynaklanmaktadır; bu, etkisiz yapay zeka entegrasyonuna ve son kullanıcının benimsenmesine yol açan bir uygulamadır.

Yapay zekanın karmaşık bir RCM ortamında uygun şekilde çalışabilmesini sağlamak için insanların her zaman döngünün içinde olması gerekir. Doğruluk ve hassasiyet, otonom yapay zekanın en zorlu zorlukları olmaya devam ediyor ve bu noktada insanları döngüye dahil etmek sonuçları iyileştirecek. RCM için riskler klinik tarafta olduğu kadar yüksek olmasa da, kötü tasarlanmış yapay zeka çözümlerinin yansımaları yine de önemlidir.

Finansal etkiler en çok sağlık kuruluşları açısından belirgindir. Potansiyel talep denetimlerini gerçekleştirmek için kullanılan yetersiz eğitilmiş yapay zeka araçları, eksik kodlama örneklerini gözden kaçırabilir, bu da gelir fırsatlarının kaçırılması anlamına gelir. Bir MDaudit müşterisi, sözde otonom kodlama sistemindeki yanlış bir kuralın, uygulanan ilaç birimlerini hatalı şekilde kodladığını ve bunun 25 milyon dolarlık gelir kaybına yol açtığını keşfetti. Eğer döngüdeki bir insan kusuru ortaya çıkarmasaydı, hata asla yakalanıp düzeltilemezdi.

Benzer şekilde yapay zeka, sonuçların yanlış pozitiflerle aşırı kodlanması konusunda da yetersiz kalabilir; bu alanda sağlık kuruluşlarının, hükümetin sağlık sistemindeki sahtekarlık, suiistimal ve israfla (FWA) mücadele misyonuyla uyumlu kalması gerekir.

Kötü tasarlanmış yapay zeka, bireysel sağlayıcıları da etkileyebilir. Bir yapay zeka aracının, gelir döngüsü anlamında "risk altındaki sağlayıcı" kavramı konusunda uygun şekilde eğitilmemesinin sonuçlarını değerlendirin. Doktorlar, yüksek ret oranlarına sahip risk altındaki sağlık hizmeti sağlayıcılarına yönelik taramalara dahil edilirlerse, kendilerini ek inceleme ve eğitim için haksız yere hedeflenmiş halde bulabilirler. Hastaları görmeye harcanması gereken zamanı boşa harcar, olası inceleme taleplerini geciktirerek nakit akışını yavaşlatır ve onları "sorunlu" olarak etiketleyerek itibarlarına zarar verebilir.

İnsanları Döngüde Tutmak

Bu tür olumsuz sonuçların önlenmesi, insanların döngüye dahil olmasını gerektirir. Optimum sonuçlara ulaşmak için her zaman insan katılımını gerektiren yapay zekanın özellikle üç alanı vardır.

1. Güçlü bir veri temeli oluşturmak.

Uygun meta verilere, veri kalitesine ve yönetişime sahip temel veri modeli, yapay zekanın en yüksek verimliliklere ulaşmasını sağlamanın anahtarı olduğundan, sağlam bir veri temeli oluşturmak kritik öneme sahiptir. Bunun gerçekleşebilmesi için geliştiricilerin, görevlerini yerine getirmek için gereken iş akışlarını ve verileri tam olarak anlamak amacıyla fatura uyumluluğu, kodlama ve gelir döngüsü liderleri ve personeliyle birlikte zorlu aşamalara girmek için zaman ayırmaları gerekir.

Etkin anormallik tespiti, yalnızca faturalama, ret ve diğer talep verilerinin yanı sıra, teknolojinin sürekli olarak riskleri gerçek zamanlı olarak değerlendirebilmesini ve gereken hizmetleri sunabilmesini sağlamak için sağlayıcılar, kodlayıcılar, faturalandırıcılar, ödeyiciler vb. arasındaki karmaşık etkileşimin anlaşılmasını da gerektirir. Kullanıcıların eylemlerine ve faaliyetlerine ölçülebilir sonuçlar sağlayacak şekilde odaklanmaları için gereken bilgileri sağlar. Kuruluşlar veri temelini atlar ve parlak araçlar kullanarak yapay zeka modellerinin dağıtımını hızlandırırsa, bu durum yapay zeka modellerinde gürültüye neden olacak ve benimsenmeyi engelleyecek halüsinasyonlara ve yanlış pozitiflere yol açacaktır.

2. Sürekli eğitim.

Sağlık hizmetleri RCM, profesyonellerinin en son düzenlemeleri, eğilimleri ve öncelikleri anlamasını sağlamak için sürekli eğitim gerektiren, sürekli gelişen bir meslektir. Aynı şey yapay zeka destekli RCM araçları için de geçerlidir. Takviyeli öğrenme, yapay zekanın bilgi tabanını genişletmesine ve doğruluğunu artırmasına olanak tanır. Yapay zeka araçlarının mevcut ve gelecekteki ihtiyaçları karşıladığından emin olmak için iyileştirme ve güncellemeler açısından kullanıcı girişi kritik öneme sahiptir.

Yapay zeka, gerçek zamanlı olarak eğitilebilir olmalı ve sürekli öğrenmeyi desteklemek için son kullanıcıların bilgi aramalarının ve/veya analizlerinin sonuçları hakkında anında girdi ve geri bildirim sağlamasına olanak sağlamalıdır. Ayrıca, verilerin geniş ölçekte çoğaltılmasını önlemek için kullanıcıların verileri güvensiz olarak işaretlemeleri de mümkün olmalıdır. Örneğin, bunun neden uygun olduğunu tam olarak açıklamaksızın mali kaybı veya uyum riskini belirli kuruluşlara veya bireylere atfetmek.

3. Doğru yönetişim.

İnsanların, yapay zekanın çıktısını güvenli olduğundan emin olmak için doğrulaması gerekiyor. Otonom kodlamada bile bir kodlama uzmanı, yapay zekanın güncellenmiş kod setlerini nasıl uygulayacağını veya yeni düzenleyici gerekliliklerle nasıl başa çıkacağını doğru şekilde "öğrendiğinden" emin olmalıdır. İnsanlar yönetişim döngüsünün dışında bırakıldığında, bir sağlık kuruluşu kendisini gelir sızıntısına, olumsuz denetim sonuçlarına, itibar kaybına ve çok daha fazlasına açık hale getirir.

Yapay zekanın sağlık hizmetlerini, özellikle de RCM'yi dönüştürebileceğine şüphe yok. Ancak bunu yapmak, sağlık kuruluşlarının doğruluk, üretkenlik ve iş değerini optimize etmek için teknoloji yatırımlarını insan ve iş gücü eğitimi ile artırmasını gerektirir.