将 AI 集成到医疗保健 RCM 中：为什么人类必须保持在循环中

AI 已经成为医疗保健收入周期管理 (RCM) 中的固定组成部分，因为财务领导者试图为过度劳累、人员不足的部门提供一定的缓解，这些部门面临着前所未有的第三方审计需求和日益增长的拒绝率。

根据新发布的 2023 基准报告，在数据、AI 和技术平台方面的不断投资使得合规性和收入完整性部门能够在与 2022 年相比减少 33% 的团队规模的同时，执行 10% 更多的审计活动。在 RCM 人员短缺严重的时期，AI 提供了至关重要的生产力提升。

医疗保健组织现在报告称，审计请求比以前增加了四倍 – 审计需求信函超过 100 页。这就是 AI 发挥作用的地方 – 它最大的能力是发现异常值和数据中的针对性问题。AI 代表着 RCM 功能的一个重大竞争优势，医疗保健财务领导者如果忽视 AI 将很快发现他们的组织被落在后面。

AI 可能存在的不足

真正的自治 AI 在医疗保健中是一个幻想。虽然 AI 已经实现了许多 RCM 任务的自动化，但完全自治系统的承诺仍然未能实现。这在一定程度上是由于软件供应商倾向于专注于技术，而没有花时间充分了解目标工作流程和重要的人类接触点 – 这种做法导致了 AI 的无效集成和最终用户的采用。

人类必须始终保持在循环中，以确保 AI 能够在复杂的 RCM 环境中正常运行。准确性和精度仍然是自治 AI 面临的最艰巨的挑战，这也是人类参与循环可以提高结果的地方。虽然 RCM 的风险可能不如临床方面那么高，但设计不良的 AI 解决方案的后果仍然很显著。

对医疗保健组织来说，财务影响是最明显的。用于进行预测性索赔审计的训练不良的 AI 工具可能会错过实例化的编码，这意味着错失的收入机会。一个 MDaudit 客户发现，他们所谓的自治编码系统中的一个不正确的规则错误地编码了给药的药物单位，导致 2500 万美元的收入损失。如果没有人类在循环中发现这个缺陷，错误就不会被发现和纠正。

同样，AI 也可能在过度编码结果中出现假阳性 – 这是医疗保健组织必须遵守政府打击医疗保健系统中的欺诈、滥用和浪费 (FWA) 的使命的领域。

设计不良的 AI 也可能影响个人提供者。考虑一下，如果 AI 工具没有被正确训练以了解“风险提供者”在收入周期中的概念，医生可能会发现自己被不公平地针对进行额外的审查和培训，如果他们被包括在具有高拒绝率的风险提供者中的扫描中。它浪费了本应用于看病的时间，通过延迟索赔的预测审查来减缓现金流，并可能通过贴上“有问题”的标签来损害他们的声誉。

保持人类在循环中

防止这些类型的负面结果需要人类在循环中。有三个 AI 领域将始终需要人类参与以实现最佳结果。

1. 建立强大的数据基础。

建立强大的数据基础至关重要，因为底层数据模型具有适当的元数据、数据质量和治理是使 AI 达到峰值效率的关键。为了实现这一点，开发人员必须花时间与计费合规性、编码和收入周期领导者和员工一起合作，以充分了解他们的工作流程和执行职责所需的数据。

有效的异常检测不仅需要计费、拒绝和其他索赔数据，还需要了解提供者、编码员、计费员、付款人等之间的复杂相互作用，以确保技术能够连续评估风险并实时向用户提供所需的信息，以便他们能够专注于推动可衡量结果的行动和活动。如果组织跳过数据基础并使用闪亮的工具加速部署其 AI 模型，则将导致 AI 模型产生幻觉和假阳性，从而产生噪音并阻碍采用。

2. 持续训练。

医疗保健 RCM 是一个不断演变的职业，需要不断的教育，以确保专业人员了解最新的法规、趋势和优先事项。同样，AI 启用的 RCM 工具也是如此。强化学习使 AI 能够扩展其知识库并提高其准确性。用户输入对于完善和更新至关重要，以确保 AI 工具满足当前和未来的需求。

AI 应该能够实时训练，允许最终用户立即提供输入和反馈，以支持持续学习。还应该允许用户在必要时将数据标记为不安全，以防止其在大规模上被放大。例如，归因于特定实体或个人财务损失或合规风险，而没有适当地解释为什么这样做是合适的。

3. 适当的治理。

人类必须验证 AI 的输出以确保其安全性。即使在自治编码中，编码专业人员也必须确保 AI 已经正确地“学习”了如何应用更新的代码集或处理新的法规要求。当人类被排除在治理循环之外时，医疗保健组织将自己暴露在收入泄漏、负面审计结果、声誉损失等风险之中。

毫无疑问，AI 可以改变医疗保健，尤其是 RCM。然而，这需要医疗保健组织通过人力和劳动力培训来增强其技术投资，以优化准确性、生产力和商业价值。