人工智能（AI）已经成为医疗保健收入周期管理（RCM）中的固定组成部分。在这个领域，财务领导者迫切需要找到方法来缓解人员不足的部门面临的前所未有的支付者审计需求量增加和拒付率上升的问题，同时不牺牲准确性和精确度。在RCM人员短缺严重的时候，AI提供了一个关键的生产率提升。通过投资数据、AI和技术平台，合规和收入完整性部门已经减少了三分之一的必要团队规模，同时比2022年增加了10%的审计活动，根据2023年的基准报告。2024年，这一生产率提升进一步增加到35%，团队可以在更少的人力下做更多的事情。
这里就是AI的亮点所在。可以说，它最大的优势在于协助从数百万数据点中发现异常值和“针尖”。然而，尽管AI已经实现了许多RCM任务的自动化，但完全自主系统的承诺仍未实现。这部分是由于软件供应商倾向于首先不花时间充分了解目标工作流程和其中的人机交互点，而只是专注于技术。这种做法导致了无效的AI集成和最终用户的采用。
为了在复杂的RCM环境中适当运作，AI必须有人的参与。人为干预有助于克服准确性和精确性的缺陷——这是自主AI面临的最艰难的挑战之一——并增强结果，帮助避免设计不良解决方案的后果。对医疗保健组织来说，财务影响是最明显的后果。用于前瞻性索赔审核的训练不良的AI工具可能会遗漏编码不足的情况，这意味着错失收入机会。对于MDaudit的一位客户来说，其“自主”编码系统内的一个错误规则错误地编码了给药单位，导致2500万美元的收入损失。如果不是有人参与发现了这个缺陷，这个错误永远不会被发现和纠正。
AI还可能通过产生假阳性结果而失误，这一领域因政府打击医疗保健系统中的欺诈、滥用和浪费行为而受到特别关注。
再次强调，保持人的参与是防止这些负面结果的最佳策略。有三个特定的AI领域始终需要人为干预才能实现最佳结果：
- 建立强大的数据基础。稳健的数据基础至关重要，因为底层数据模型，包括适当的元数据、数据质量和治理，是使AI能够高效运行的关键。这要求开发人员深入研究账单合规、编码和收入周期团队的工作流程和所需数据，以充分了解他们的职责。有效的异常检测需要账单、拒付、索赔数据，以及对提供者、编码员、账单员、支付者等之间复杂互动的理解。确保技术能够实时持续评估风险，并向用户提供所需的信息，以指导他们的行动和活动，从而推动可衡量的结果。
- 持续监控和培训。AI驱动的RCM工具能够实现实时持续监控风险，就像专业人士一样，需要不断学习以了解不断变化的医疗保健RCM环境中的最新法规、趋势和优先事项。强化学习使AI能够扩展其知识库并提高准确性。用户输入对于精炼和更新至关重要，以确保AI工具满足当前和未来的需求。AI应能够在实时进行培训。最终用户应能够通过立即提供信息搜索和/或分析结果的反馈来支持持续学习。用户还应在必要时标记数据为不安全，以防止其大规模放大。
- 适当的治理。需要人为验证以确保AI的输出是安全的。例如，要使自主编码正常工作，编码专业人员必须确保AI已经正确“学习”如何应用更新的代码集或处理新的监管要求。将人排除在治理循环之外会使医疗保健组织面临收入流失、负面审计结果、声誉损失等风险。
毫无疑问，AI可以改变医疗保健RCM。但要做到这一点，医疗保健组织必须通过人力和劳动力培训来增强其技术投资，以优化准确性、生产率和业务价值。
(全文结束)
