内布拉斯加卫理公会健康系统首席财务官杰夫·弗朗西斯
照片：内布拉斯加卫理公会健康系统
在内布拉斯加卫理公会健康系统，收入周期运营过去严重依赖人工重复性工作。
挑战所在
员工耗费大量时间检查理赔状态、登录支付方门户，以及事后应对拒赔问题，而非提前预防。这种被动模式推高了收款成本并延缓现金流——在利润微薄、人力短缺、通胀压力和支付方结构变化的环境下尤为棘手。该健康系统首席财务官杰夫·弗朗西斯表示，从管理层视角看，问题规模显而易见，但传统方法难以解决。
"内部分析显示，由于文档和编码问题，每年近8%的总收入面临风险。对于年营收十亿美元的机构而言，这相当于数千万美元损失，"他解释道，"这种规模的收入流失直接限制了我们在患者护理、基础设施和创新方面的再投资能力。核心挑战源于高流量、复杂收入周期中的文档不全或编码不准，临床团队虽提供了恰当治疗，但支撑性文档往往未能完整一致地记录患者诊疗过程以满足支付方要求。结果导致理赔被延迟、少付或拒赔——使相当比例的应得收入处于风险中。"
他补充道，许多理赔问题源于中期收入环节，不完整或不精确的文档和编码在支付方接触理赔前就已制造可避免的风险。
解决方案
在方案设计阶段，承诺并非为自动化而自动化，而是追求人工流程无法实现的一致性和规模效应。对内布拉斯加卫理公会健康系统而言，AI驱动理赔与编码供应商阿卡萨提出解决收入周期内两个独立挑战：后端理赔工作的运营低效，以及中期环节的准确性风险。
"后端方面，方案聚焦用AI自动化高流量、规则驱动的理赔状态查询，"弗朗西斯解释，"旨在减少员工手动登录支付方门户跟踪常规更新的时间，使收入周期团队能专注于需人工判断的异常、拒赔和复杂跟进。卫理公会已在理赔更新领域应用该技术七年，若取消此功能将引发重大不满。近期供应商同意强化生成式AI在收入周期前端的应用，以在理赔提交前提升编码准确性。该方法旨在确保患者诊疗故事被持续准确地转化为可计费编码，减少后续返工、拒赔和少付。"
他强调，两种应用场景均基于"人在回路"模式而非完全自动化。AI通过识别模式、风险和机遇提供规模与一致性支持，而内布拉斯加卫理公会的资深收入周期员工保留最终决策权，以确保准确性、合规性和收入完整性。
应对挑战
该技术直接集成至内布拉斯加卫理公会现有收入周期工作流，使团队能在日常操作中使用而非作为独立工具。组织不同部门根据任务需求以不同方式应用该技术。
弗朗西斯表示，两种情况下AI均增强而非取代员工。与现有电子健康记录及收入周期系统的集成确保了无缝采用，未造成重大工作流中断或额外IT负担。数据丰富的仪表盘也高效助力绩效和投资回报率评估。
"后端方面，患者财务服务与计费团队用AI自动化理赔提交后的常规状态查询，"他说，"系统持续监控海量账户，在后台处理重复性支付方状态检查。这使员工得以脱离低价值门户操作，转而专注需经验和判断的复杂理赔、拒赔申诉及特定支付方跟进。我们还在中期环节应用AI支持账前编码审核，编码团队在提交理赔前将其作为第二双眼睛，识别并解决上游潜在问题，减少对账后修正的依赖，提升首次通过准确率。内布拉斯加卫理公会因此能更早获得付款，且修正工作在账前提前完成。"
成果展现
后端理赔状态自动化的成效显著。
通过自动化高流量重复性工作，内布拉斯加卫理公会在过去两年释放了相当于24名全职员工的人力。此前员工每日大量时间耗费在手动查询支付方门户的常规更新上。随着AI规模化承担此工作，71%的账户已从员工队列中移除，弗朗西斯报告。
"我们刻意未削减编制，而是将这些团队重新部署至高价值工作，包括复杂理赔解决、拒赔管理和特定支付方跟进，"他解释，"这既提升生产力又降低整体收款成本。此外，我们在业务办公室未增加全职员工的情况下新增了100多张病床。"
中期编码准确性和账前影响同样成果显著。
"独立来看，AI驱动的编码支持使我们能在理赔提交前识别问题，而非数月后应对拒赔，"他报告，"我们与阿卡萨合作部署其编码优化器，旨在通过复核日益复杂的医疗记录，为人工编码员提供支持并标记需重点审查的潜在机会。AI不会取代编码员的判断——而是作为一致性的第二双眼睛，标记可能需要关注的领域并提供证据支持。所有建议均经'人在回路'审核流程，既增强编码员信心又满足严格合规标准。"
该机构已实现200多万美元的毛收入增长，累计病例组合指数提升1.17，并标记超过1800个额外质量指标。他总结道："最大影响在于信心——在日益严苛的支付方环境中，我们确信提供的诊疗服务得到准确记录、辩护和偿付。"
【全文结束】
