AI + RCM：值得大肆宣传吗？

anisur222

我们相信， 最近的监管进步 （数据互操作性、定价透明度、数字事先授权）和 技术解锁 （自然语言处理、语音理解和 OCR 的基础模型）消除了关键的速率限制因素，并为收入周期管理铺平了道路(RCM) 以软件为中心，而不是以人为中心。 但是，在我们疯狂地将法学硕士应用于医疗保健之前，我们需要回到基础知识并了解医疗账单现状。 当今的医疗账单：涉及 4 万亿美元、超过 20 万医疗账单人员以及非结构化、不可读数据的故事 每年，医疗保险和医疗补助服务中心 (CMS) 都会发布一些关于美国医疗支出的令人振奋的统计数据。 2021 年，医疗保健系统的流量约为 4.26 万亿美元，其中 3.02 万亿美元用于保险付款，4330 亿美元用于患者责任，其余部分来自其他地方。 就流经医疗保健系统的资金量而言，软件的严重缺乏是令人震惊的。支付流程通过传真、语音邮件甚至一些 API拼接在一起  ，再加上卫生系统外包 RCM 提供商雇用的数十万人来引导这一流程。

这是不直观的：您可能会认为计算机比人更有效，因为医疗账单是如此重复且基于规则。这在一定程度上是正确的——它是重复性的、基于规则的——但尽管如此， 雇用大量人员历来是处理医疗账单的最有效方式。 让我们深入探究一下原因。 问题 美国电话号码列表 始于对给定遭遇进行计费所需的步骤。如果单个患者的就诊需要患者转诊、保险验证、付款人的事先授权、对就诊进行编码以及付款人和提供者之间的一些谈判，则在此过程中生成的数据样本如下所示： 显然还有更多内容，但重点是计费工作流程涉及大量非结构化和/或不可读的信息，如果软件无法处理其基础数据，则软件无法吞噬工作流程。 当然，某些数据是机器可读的（尽管通常是非结构化的）这一事实表明软件可能可以自动化 某些 工作流程。这在某种程度上是正确的，但你很快就会遇到两个限制： 计费中涉及的许多微妙之处并不能仅从书面策略中观察到：计算机无法从一系列书面规则中直观地了解特殊的付款人行为，因此即使您可以将编码策略转换为规则引擎，您也会损失很多的细微差别。



电子健康记录 (EHR) 因卫生系统而异，因此，即使只是访问医疗记录（更不用说将更改传播回 EHR），计算机自主执行操作也会很痛苦（与人类手动登录 Epic/Cerner/eCW 相比） /<选择您晦涩的、特定于专业的 EHR> 来提取数据并输入信息）。 所以，是的，软件可以执行 一些 基本任务，但是 非结构化+不可读数据、付款人特质和 EHR 差异的完美风暴迫使任何经营 RCM 业务的人面对两个残酷的现实： 执行大多数计费工作流程都需要有意义的人员参与其中，以清除日志堵塞并利用机构知识。 部署软件需要认真的实施工作 才能集成到系统中并构建定制的规则引擎和深度学习算法。 这意味着，在大多数情况下，几乎没有任何软件并直接解决问题实际上是最有效的（因此为什么 R1，最大的外包 RCM 供应商之一，雇用了约 30,000 名员工，并且以约 20% 的速度运营毛利率）。 监管进步 + 技术解锁 = 可用数据 软件在能够处理基础信息之前无法实现收入周期流程的自动化。这就是监管进步和技术解锁发挥作用的地方。