Інтеграція штучного інтелекту в RCM охорони здоров’я: чому люди повинні залишатися в курсі

Штучний інтелект став невід’ємним елементом управління циклом доходів у сфері охорони здоров’я (RCM), оскільки фінансові керівники прагнуть забезпечити певну міру полегшення для перевантажених відділів із нестачею персоналу, які стикаються з безпрецедентною кількістю запитів на сторонні аудити та зростанням кількості відмов.

Згідно з нововипущеним Порівняльний звіт за 2023 рік, зростаючі інвестиції в дані, штучний інтелект і технологічні платформи дозволили відділам відповідності та цілісності доходів зменшити розмір своєї команди на 33%, водночас виконуючи на 10% більше аудиторської діяльності порівняно з 2022 роком. У той час, коли RCM відчуває значну нестачу персоналу, штучний інтелект забезпечує критичне підвищення продуктивності.

Зараз організації охорони здоров’я повідомляють про вчетверо більше запитів на аудит, ніж отримували в попередні роки, а листи з запитами на проведення аудиту займають понад 100 сторінок. Ось тут ШІ блищить – його найбільша здатність виявляти викиди та голки в стоги сіна в мільйонах точок даних. ШІ є значною конкурентною перевагою для функції RCM, і фінансові керівники охорони здоров’я, які відкидають ШІ як рекламу, незабаром побачать, що їхні організації залишаються позаду.

Де штучний інтелект може провалитися

По-справжньому автономний штучний інтелект в охороні здоров’я є нездійсненною мрією. Хоча це правда, що AI дозволив автоматизувати багато завдань RCM, обіцянка повністю автономних систем залишається невиконаною. Частково це пов’язано зі схильністю постачальників програмного забезпечення зосереджуватися на технологіях, не витрачаючи спочатку часу на повне розуміння цільових робочих процесів і, що важливо, людських точок взаємодії в них – практика, яка призводить до неефективної інтеграції ШІ та прийняття кінцевими користувачами.

Люди повинні завжди бути в курсі, щоб переконатися, що штучний інтелект може належним чином функціонувати в складному середовищі RCM. Точність і точність залишаються найскладнішими проблемами з автономним штучним інтелектом, і саме тут залучення людей до циклу покращить результати. Хоча ставки для RCM можуть бути не такими високими, як на клінічній стороні, наслідки погано розроблених рішень штучного інтелекту все ж значні.

Фінансовий вплив є найбільш очевидним для організацій охорони здоров’я. Погано навчені інструменти штучного інтелекту, які використовуються для проведення перспективних перевірок претензій, можуть пропустити випадки недокодування, що означає втрату можливостей отримання прибутку. Один клієнт MDaudit виявив, що неправильне правило в їхній так званій автономній системі кодування неправильно кодувало адміністративні одиниці ліків, що призвело до втрати доходу на 25 мільйонів доларів. Помилка ніколи не була б виявлена ​​та виправлена, якби не людина в циклі, яка виявила недолік.

Подібним чином штучний інтелект також може виявитися недостатнім із результатами перекодування з хибнопозитивними результатами – це сфера, у якій організації охорони здоров’я повинні дотримуватися вимог відповідно до місії уряду щодо боротьби з шахрайством, зловживаннями та марнотратством (FWA) у системі охорони здоров’я.

Погано розроблений ШІ також може вплинути на окремих постачальників. Розглянемо наслідки, якщо інструмент штучного інтелекту не буде належним чином навчений концепції «постачальника в зоні ризику» в сенсі циклу доходу. Лікарі можуть виявитися несправедливо мішенню для додаткового контролю та навчання, якщо їх включити до зачисток для постачальників із групи ризику з високим рівнем відмов. Це втрачає час, який слід витрачати на огляд пацієнтів, уповільнює грошовий потік, відкладаючи заявки на майбутні огляди, і може завдати шкоди їхній репутації, наклеївши на них ярлик «проблемного».

Тримайте людей у ​​курсі

Щоб запобігти таким типам негативних наслідків, потрібні люди в курсі. Є три сфери штучного інтелекту, які завжди потребуватимуть участі людини для досягнення оптимальних результатів.

1. Створення міцної основи даних.

Створення надійного фундаменту даних має вирішальне значення, оскільки базова модель даних із належними метаданими, якістю даних і керуванням є ключовою для досягнення ШІ максимальної ефективності. Щоб це сталося, розробники повинні знайти час, щоб увійти в роботу з керівниками та персоналом із питань дотримання вимог щодо виставлення рахунків, кодування та отримання доходів, щоб повністю зрозуміти їхні робочі процеси та дані, необхідні для виконання своїх обов’язків.

Ефективне виявлення аномалій вимагає не лише даних про виставлення рахунків, відмов та інших претензій, але й розуміння складної взаємодії між постачальниками, кодерами, особами, що виставляють рахунки, платниками тощо, щоб гарантувати, що технологія здатна постійно оцінювати ризики в режимі реального часу та надавати користувачам інформацію, необхідну для зосередження своїх дій і діяльності таким чином, щоб досягти вимірних результатів. Якщо організації пропустять основу даних і прискорять розгортання своїх моделей штучного інтелекту за допомогою блискучих інструментів, це призведе до галюцинацій і хибних спрацьовувань від моделей штучного інтелекту, які створять шум і перешкодять прийняттю.

2. Безперервне навчання.

Healthcare RCM – це професія, яка постійно розвивається, і вимагає постійного навчання, щоб гарантувати, що її спеціалісти розуміють останні правила, тенденції та пріоритети. Те саме стосується інструментів RCM із підтримкою AI. Навчання з підкріпленням дозволяє ШІ розширити свою базу знань і підвищити її точність. Внесок користувача має вирішальне значення для вдосконалення та оновлення, щоб інструменти ШІ відповідали поточним і майбутнім потребам.

ШІ має бути доступним для навчання в режимі реального часу, дозволяючи кінцевим користувачам негайно надавати дані та відгуки про результати пошуку та/або аналізу інформації для підтримки безперервного навчання. Користувачі також повинні мати можливість позначати дані як небезпечні, коли це виправдано, щоб запобігти їх масштабному поширенню. Наприклад, приписування фінансових втрат або ризику недотримання вимог певним організаціям або особам без належного пояснення, чому це доцільно робити.

3. Належне управління.

Люди повинні перевірити результати ШІ, щоб переконатися, що вони безпечні. Навіть при автономному кодуванні фахівець із програмування повинен переконатися, що штучний інтелект належним чином «навчився» застосовувати оновлені набори кодів або працювати з новими нормативними вимогами. Коли люди виключаються з циклу управління, організація охорони здоров’я залишає себе широко відкритою для витоку доходів, негативних результатів аудиту, втрати репутації та багато іншого.

Безсумнівно, ШІ може змінити охорону здоров’я, особливо RCM. Однак це вимагає від організацій охорони здоров’я збільшити свої інвестиції в технології навчанням персоналу та робочої сили для оптимізації точності, продуктивності та цінності для бізнесу.