将 AI 集成到医疗保健 RCM 中：为什么人类必须保持在循环中

人工智能（AI）已经成为医疗保健收入循环管理（RCM）的一个重要组成部分，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拒绝率上升的压力。

根据最新发布的 2023 基准报告，数据、AI 和技术平台的投资使得合规性和收入完整性部门能够在 2022 年相比之下减少 33% 的团队规模，同时执行 10% 更多的审计活动。在 RCM 人员短缺高涨的时期，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，审计请求量是以前的四倍——审计需求信函超过 100 页。这是 AI 的优势所在——其最大的能力是发现数百万数据点中的异常和针对性信息。AI 对 RCM 功能来说是一个重大的竞争优势，医疗保健财务领导者如果将 AI 视为炒作，将很快发现他们的组织被甩在后面。

AI 可能存在的不足

医疗保健领域真正的自治 AI 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，而没有首先花时间充分了解目标工作流程和其中的人类接触点——这种做法导致了 AI 集成和最终用户采用率低下。

人类必须始终参与其中，以确保 AI 能够在复杂的 RCM 环境中正常运行。准确性和精确性仍然是自治 AI 面临的最艰巨的挑战，这也是人类参与其中可以提高结果的原因。虽然 RCM 方面可能没有临床方面那么高的风险，但设计不良的 AI 解决方案的后果仍然显著。

对医疗保健组织来说，财务影响是最明显的。用于进行预审索赔审计的 AI 工具如果没有得到适当的训练，可能会错过实例的低编码，这意味着错失的收入机会。MDaudit 的一位客户发现，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单位，导致 2500 万美元的收入损失。如果没有人类的介入，这个错误永远不会被发现和纠正。

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）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 工具没有被适当地训练来理解“收入循环风险提供者”的概念，可能会出现什么后果。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，如果他们被纳入风险提供者名单中，可能会浪费本应用于看病的时间，延迟索赔审查，可能会损害他们的声誉，给他们贴上“有问题”的标签。

保持人类在循环中

防止这些类型的负面结果需要人类的参与。有三个 AI 领域将始终需要人类的参与才能实现最佳结果。

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、元数据、数据质量和治理是实现 AI 高效的关键。为了实现这一点，开发人员必须花时间与计费合规性、编码和收入循环领导者和工作人员一起工作，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加速部署 AI 模型，使用闪亮的工具，那么 AI 模型将会出现幻觉和假阳性，这将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，需要持续的教育，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 工具也需要如此。强化学习允许 AI 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 应该能够实时接受训练，允许最终用户立即对信息搜索和/或分析结果提供输入和反馈，以支持持续学习。用户还应该能够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，未能正确解释为什么将财务损失或合规性风险归因于特定实体或个人。

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”了如何应用更新的编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，医疗保健组织就使自己容易受到收入损失、负面审计结果、声誉损失和更多其他问题的影响。

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将技术投资与人类和劳动力培训相结合，以优化准确性、生产力和商业价值。