拉米娅·甘蒂是Oprox的创始人兼CEO，Oprox是一家获得风险投资支持的面向医疗保健提供者的AI原生收入智能平台。
每天，医生做出的治疗决定都无法推进，直到保险公司批准。这一被称为预先授权的审批流程，已成为美国医疗保健系统中最昂贵的行政工作流程之一。它位于三个相互竞争的优先事项的交汇点：提供者试图提供护理、患者试图获取护理以及支付方试图控制成本。
医疗行业多年来一直致力于加快预先授权提交流程。真正的挑战在于减少拒绝并挽回那些本不应发生的拒绝。根据KFF的数据，在医疗保险优势计划中，只有11.5%被拒绝的预先授权请求被上诉。然而，当上诉提交时，80.7%的案例被推翻。
思考这意味着什么。近90%的拒绝从未受到挑战，尽管大多数挑战都能成功。如果这些拒绝大多是正确的，那么上诉应该很少成功。如果80%以上的上诉成功，为什么提交的如此之少？这个系统的某些方面不合理。这很重要，因为预先授权不仅仅是一个行政难题。它是美国医疗保健系统中最大的摩擦源之一。
该流程每年在医疗保健系统中消耗约350亿美元。医生及其工作人员每周大约花费13小时来处理预先授权要求。
后果超出了医生职业倦怠和行政成本。根据美国医学协会的数据，78%的医生报告称，预先授权的延误导致患者放弃推荐的治疗。当88%的拒绝未被挑战时，被放弃的不是文书工作，而是治疗。
在过去的几年里，医疗AI投入了巨大精力解决预先授权问题。新产品不断涌现，工作流程日益自动化。主要赌注是速度：更快地从病历中提取信息、更快地完成表格、更快地提交请求。但数据表明，以速度为重点的自动化在很大程度上优化了问题的错误层面。
行业一直在解决错误的问题。预先授权从根本上说不是一个填表挑战。它在前端是一个推理挑战，在后端是一个恢复挑战。大多数医疗AI解决方案改进了提交的机制，而基本上没有触及这两个挑战。
第一个失败点发生在请求提交之前。支付方授权标准是动态的、特定于支付方且不断变化的。同一程序可能被一家保险公司批准而被另一家拒绝，这取决于临床文档、医疗必要性语言、福利设计、政策修订或支持证据要求的差异。然而，大多数自动化工具将表格本身视为工作。
它们专注于收集数据、填充字段和加速提交。它们没有复制决定支付方审核员是否可能首先批准请求的推理过程。结果是可预测的。医疗机构更快地提交请求，但许多人继续经历与之前相同的拒绝率。行政工作转移到工作流程的早期，而没有从根本上改变结果。
更快的传真机仍然是传真机。大多数预先授权工具自动化数据移动。真正的自动化必须自动化决策。这需要能够在提交点同时跨临床文档、支付方政策要求和支持证据进行推理的系统。目标不是加速请求通过相同的过程，而是提高这些请求首先获得批准的可能性。
第二个失败点发生在收到拒绝后。数据表明，许多拒绝是可以挽回的。但大多数从未被上诉。根据AMA的数据，62%的医生报告不提出上诉是因为他们不相信上诉会成功，而48%则提到工作人员时间和资源不足。这些原因相互强化。多年来与拒绝作斗争的诊所因这一过程而精疲力尽。他们通常缺乏持续追求上诉所需的人员、系统和运营能力。本可收回的收入被注销。治疗被延迟。患者继续前行。
大多数医疗AI解决方案在提交时就停止了。它们自动化了容易的一半工作流程，而将最具价值的一半基本未触及：分析拒绝模式、生成上诉、从结果中学习并持续改进未来表现。
医疗AI的下一代必须解决问题的两个方面。首先，系统必须在提交点进行推理。它们需要同时理解临床背景、支付方要求和文档质量，以便请求反映支付方审核员可能应用的逻辑。
其次，系统必须在拒绝后关闭反馈循环。每次拒绝都包含信息。现代AI原生授权平台应该从结果中学习，识别重复出现的拒绝模式，改进未来决策，并在适当的时候生成上诉。每次拒绝都应该成为一个训练信号，而不是注销。
这些不是产品功能。它们是架构要求。仅靠速度永远不会解决预先授权问题。没有前端推理和后端学习的速度，正是促成当今350亿美元问题的架构。
在我从事医疗技术的职业生涯中，我曾参与影响数百万美元医疗机构收入的自动化系统。一个经验始终一致：预先授权最难的部分不是在系统之间移动信息。而是理解决策如何做出并随时间改进结果。
如果超过80%的上诉拒绝被推翻，问题不仅仅是拒绝发生。问题在于医疗系统将拒绝视为工作流程的终点，而它们应该被视为反馈循环的开始。
预先授权的未来将取决于系统在提交前如何智能地进行推理，以及在拒绝后如何有效地学习。
获胜的组织不会是提交最多预先授权的组织。它们将是那些在拒绝发生前预防拒绝、从发生的拒绝中学习并确保可恢复的治疗永远不会仅仅因为没人有时间反击而被放弃的组织。
【全文结束】