想象一下经营一家高级餐厅，其中20%的顾客溜走未付款，其余顾客则可能需要长达一年的时间才能结清账单——假设他们会付款的话。这听起来很荒谬，对吧？然而，这正是医疗保健提供者每天面临的现实：长时间等待付款、无尽的官僚程序以及永远无法获得付款的风险。
在我开始在一家儿科心脏病学诊所实习时，我注意到他们几乎一年前提交的一项保险索赔仍未得到报销。原来，该索赔最初因缺乏事先授权号码而被拒绝，但由于诊所将账单外包出去，账单团队花了数月时间来回电子邮件才最终明白所需信息一直在他们的电子病历（EMR）中。近一年后，诊所终于有望收到他们应得的钱。
医疗行业的收入周期管理
这就是医疗行业中收入周期管理的现状，尤其是对于那些无法负担内部账单管理的小型提供者。沟通不畅、保险覆盖查询中的简单疏忽，甚至患者出生日期中的一个不幸的打字错误，都可能导致提供者陷入漫长的保险报销等待过程，处理拒付和重新提交索赔，这一过程可能持续超过一年，甚至最终无法获得任何付款。
此外，保险公司通常试图支付尽可能少的费用。虽然健康保险和提供者本应和谐共存以提供护理，但小型诊所需要经常与这些保险公司进行不公平的斗争。这可能意味着找到琐碎的理由来拒付索赔，随意低估服务费用，或起草对小型诊所不利且模糊不清的合同。
应用人工智能
那么，AI如何使这一过程变得更加容易呢？这是我公司和其他公司正在努力解决的问题。
最明显的改进是在索赔审查过程中，这通常是清算所管理的一项任务。清算所是一种工具，允许提供者一次向不同的保险支付方发送一批电子索赔。清算所基于某些通用规则（包括格式问题、代码使用不当或冲突的保险信息）在索赔发送给支付方之前拒绝不合格的索赔。
然而，AI可以学习。利用支付方政策作为事实依据，并从每次拒付中学习，AI工具可以为每个单独的支付方创建一个全面的规则引擎，确保没有索赔因相同原因被拒付。这样，账单管理人员就不必阅读和记住那些通常过于复杂且不断变化的政策。然后，通过访问EMR，AI可以自动重新提交已更正的索赔，或在信息缺失时标记问题。最终，账单团队将不再必要——规则引擎将允许AI自行构建正确的索赔。
了解收到支付方响应后的行动步骤涉及理解保险合同、费用表和支付方政策。具有这些信息访问权限的AI工具可以解释响应并结合医疗记录生成特定于支付方的操作项。这包括为低于常规费率的服务撰写上诉信，使用合同或支付方政策作为支持，或因医疗必要性不足而自动重新提交带有更好证明所提供服务的诊断代码的索赔。利用支付方政策，AI将遵循每个支付方独特的索赔更正必要步骤。
AI还有潜力提高前台运营效率，特别是在事先授权方面。缺乏事先授权是常见的拒付原因，通常无法上诉。获得某项服务的事先授权可能涉及数小时的电话或撰写医疗必要性信函。
AI可以通过代理来简化这一过程，该代理1）根据政策确定某项服务是否需要事先授权，然后2）按照支付方的步骤获得授权，因为每项服务和每个支付方的事先授权流程都不同。
应对AI的挑战
尽管我们知道AI理论上可以成为诊所的巨大资源，但在诊所完全接受AI之前仍有许多问题需要解决。
或许最大的挑战是可靠性。诊所信任他们的账单团队；无论表现如何，账单团队已经填写了多年的索赔。AI无法像人类那样承担责任或监督，即使透明度很高。尽管使用AI可以使诊所增加收入并缩短应收账款天数，但转向完全自动化的解决方案（在没有人工监督的情况下做出决策）的风险实在太大。
同时拥有账单团队和先进的索赔管理软件也是成本高昂且负担沉重的方法。诊所可能需要很长时间才能完全信任AI，因此目前的AI工具应旨在通过提供提高效率的工具来增强现有账单团队的能力。
依赖AI时的另一个重要考虑因素是保护患者健康信息（PHI）。处理这些信息的软件层越多，数据泄露的机会就越大。近年来，我们已经看到清算所发生过灾难性的数据泄露事件。
AI的实施必须极其谨慎和全面，以遵守HIPAA法规并防范网络攻击。如果谨慎、战略性地实施，AI可以帮助诊所使收入更加可预测并减少劳动力成本。随着保险公司越来越多地利用AI来简化甚至限制覆盖决策，如果不采用类似技术来平衡竞争，诊所可能会落后。通过仔细、战略性的实施，AI可以帮助诊所实现收入可预测性和降低成本，使他们能够专注于真正重要的事情：提供护理。
(全文结束)
