Інтеграція штучного інтелекту до системи управління доходами охорони здоров’я: чому люди повинні залишатися в циклі

Штучний інтелект став постійним елементом системи управління доходами охорони здоров’я (RCM), оскільки керівники фінансових напрямків намагаються надати певну допомогу перевантаженим, недоукомплектованим відділам, які стикаються з безпрецедентними об’ємами вимог третьої сторони щодо аудиту та зростаючими показниками відмов.

За даними щойно опублікованого звіту про стан справ за 2023 рік, зростаючі інвестиції в дані, штучний інтелект та технологічні платформи дозволили відділам з питань дотримання законодавства та цілісності доходів скоротити кількість працівників на 33%, одночасно збільшивши обсяг аудиторських заходів на 10% порівняно з 2022 роком. У період, коли не вистачає працівників у сфері управління доходами охорони здоров’я, штучний інтелект забезпечує критичний імпульс продуктивності.

Організації охорони здоров’я тепер повідомляють про кількість запитів на аудит, яка в чотири рази перевищує кількість запитів, отриманих у попередні роки – і листи з вимогами аудиту нараховують понад 100 сторінок. Саме тут штучний інтелект демонструє свою найбільшу здатність – його головна перевага полягає у виявленні аномалій і “іголок у копиці сіна” серед мільйонів даних. Штучний інтелект представляє суттєву конкурентну перевагу для функції управління доходами охорони здоров’я, а керівники фінансових напрямків охорони здоров’я, які відхиляють штучний інтелект як хайп, скоро виявлять, що їхні організації залишилися позаду.

Де штучний інтелект може не виправдати очікувань

Справді автономний штучний інтелект у сфері охорони здоров’я – це міраж. Хоча правда, що штучний інтелект дозволив автоматизувати багато завдань управління доходами охорони здоров’я, обіцянка повністю автономних систем залишається невиконаною. Це частково пояснюється схильністю постачальників програмного забезпечення зосереджуватися на технологіях, не витрачаючи часу на повне розуміння цільових робочих процесів та, що найважливіше, людських контактів у них – це практика, яка призводить до неефективної інтеграції штучного інтелекту та прийняття кінцевими користувачами.

Люди повинні завжди бути в циклі, щоб забезпечити належну роботу штучного інтелекту в складному середовищі управління доходами охорони здоров’я. Точність і точність залишаються найбільш складними завданнями для автономного штучного інтелекту, і саме тут залучення людей до циклу покращить результати. Хоча ставки можуть не бути такими високими для управління доходами охорони здоров’я, як на клінічному напрямку, наслідки погано спроектованих рішень штучного інтелекту є суттєвими.

Фінансові наслідки є найбільш очевидними для організацій охорони здоров’я. Погано навчені інструменти штучного інтелекту, які використовуються для проведення перспективних аудитів вимог, можуть пропустити випадки недооцінки, що означає втрачені можливості отримання доходу. Один із клієнтів MDaudit виявив, що неправильна правило в їхній так званій автономній системі кодування неправильно кодувала одиниці лікарських засобів, що призвело до втрати 25 мільйонів доларів доходу. Помилка ніколи не була б виявлена та виправлена, якщо б не людина в циклі, яка виявила недолік.

Аналогічно, штучний інтелект також може не виправдати очікувань щодо результатів переоцінки з помилковими позитивними результатами – це область, в якій організації охорони здоров’я повинні дотримуватися законодавства у відповідності з місією уряду щодо боротьби з шахрайством, зловживанням та марнотратством (FWA) в системі охорони здоров’я.

Погано спроектований штучний інтелект також може вплинути на окремих постачальників. Розгляньте наслідки, якщо інструмент штучного інтелекту не був належним чином навчений на концепцію “постачальника, який перебуває під загрозою” у сфері управління доходами охорони здоров’я. Лікарі могли б виявитися несправедливо піддані додатковому контролю та навчанню, якщо вони будуть включені до списків постачальників, які перебувають під загрозою, з високими показниками відмов. Це марнує час, який повинен бути витрачений на лікування пацієнтів, сповільнює потік коштів шляхом затримки вимог щодо перспективних оглядів та міг би нашкодити їхній репутації шляхом прикріплення їм “проблемного” ярлика.

Залишення людей у циклі

Запобігання таким негативним наслідкам вимагає присутності людей у циклі. Існують три області штучного інтелекту, які завжди будуть вимагати участі людей для досягнення оптимальних результатів.

1. Будівництво сильної основи даних.

Будівництво міцної основи даних є критично важливим, оскільки базова модель даних з належними метаданими, якістю даних та управлінням є ключем до того, щоб штучний інтелект досягав пікових ефективностей. Для цього розробники повинні витратити час на роботу з лідерами та працівниками відділів обліку, кодування та управління доходами охорони здоров’я, щоб повністю зрозуміти їхні робочі процеси та дані, необхідні для виконання їхніх обов’язків.

Ефективне виявлення аномалій вимагає не тільки даних про облік, відмови та інші вимоги, але також розуміння складної взаємодії між постачальниками, кодерами, бухгалтерами, плательниками тощо, щоб забезпечити те, що технологія здатна безперервно оцінювати ризики в режимі реального часу та надавати користувачам інформацію, необхідну для того, щоб зосередити свої дії та діяльність у спосіб, який забезпечує вимірювані результати. Якщо організації пропускають основу даних та прискорюють розгортання своїх моделей штучного інтелекту, використовуючи блискучі інструменти, це призведе до галюцинацій та помилкових позитивних результатів від моделей штучного інтелекту, які спричинятимуть шум та ускладнять прийняття.

2. Постійне навчання.

Управління доходами охорони здоров’я – це професія, яка постійно еволюціонує, і для цього потрібне постійне навчання, щоб забезпечити те, що професіонали розуміють останні регуляторні акти, тенденції та пріоритети. Те саме стосується інструментів управління доходами охорони здоров’я, що використовують штучний інтелект. Зворотній зв’язок дозволяє штучному інтелекту розширити свою базу знань та підвищити свою точність. Вхід користувача є критично важливим для уточнення та оновлення, щоб забезпечити те, що інструменти штучного інтелекту відповідають поточним та майбутнім потребам.

Штучний інтелект повинен бути тренованим в режимі реального часу, що дозволяє кінцевим користувачам негайно надавати вхід та відгук щодо результатів пошуку інформації та/або аналізу для підтримки безперервного навчання. Також повинні бути можливості для користувачів позначити дані як небезпечні, коли це виправдано, щоб запобігти їхньому розширенню у великому масштабі. Наприклад, приписування фінансової втрати або ризику дотримання законодавства конкретним особам чи організаціям без належного пояснення, чому це виправдано.

3. Правильне управління.

Люди повинні підтверджувати висновки штучного інтелекту, щоб забезпечити їхню безпеку. Навіть з автономним кодуванням спеціаліст з кодування повинен забезпечити те, що штучний інтелект належним чином “навчився” застосовувати оновлені набори кодів або роз’яснювати нові регуляторні вимоги. Коли люди виключені з циклу управління, організація охорони здоров’я залишається відкритою для витоку доходів, негативних результатів аудиту, втрати репутації та багатьох інших наслідків.

Не залишається сумніву, що штучний інтелект може трансформувати охорону здоров’я, особливо управління доходами охорони здоров’я. Однак для цього організації охорони здоров’я повинні доповнювати свої технологічні інвестиції навчаннями працівників, щоб оптимізувати точність, продуктивність та бізнес-цінність.