الذكاء الاصطناعي لإدارة الرفض: الطعن التلقائي في المطالبات الصحيحة

يشطب المستشفى العادي ما بين 1% إلى 2% من صافي الإيرادات بسبب حالات الرفض غير المعالجة، وهي مطالبات تم رفضها ولم يتم الطعن فيها أبداً لأن الموظفين لم يكن لديهم القدرة الكافية للتعامل معها. بالنسبة لمستشفى يبلغ صافي إيرادات المرضى فيه 500 مليون دولار، فإن ذلك يعني التخلي عن 5 إلى 10 ملايين دولار سنوياً. المشكلة ليست في أن المؤسسات الصحية لا تستطيع الطعن في حالات الرفض، بل في أنها لا تستطيع الطعن في جميعها، وبدون ترتيب الأولويات المبني على البيانات، غالباً ما يقضي الموظفون وقتهم في طعون منخفضة القيمة بينما تنتهي مهلة الطعون عالية القيمة.

مشكلة الفرز

قد يواجه فريق إدارة الرفض في مستشفى نموذجي ما بين 3,000 إلى 5,000 مطالبة مرفوضة شهرياً. يتطلب كل طعن بحثاً وتجميعاً للوثائق وتقديمها، ويستغرق ما بين 20 دقيقة إلى ساعتين حسب التعقيد. مع محدودية الموظفين، لا تتم معالجة سوى جزء بسيط من حالات الرفض قبل انتهاء مواعيد الطعن.

تلجأ معظم فرق إدارة الرفض إلى نهج "الأول وصولاً الأول معالجة"، حيث تعالج حالات الرفض بترتيب وصولها، أو تركز على المطالبات ذات المبالغ الكبيرة بغض النظر عن احتمالية نجاح الطعن. لا يُعد أي من النهجين مثالياً. فمطالبة مرفوضة بقيمة 50,000 دولار مع احتمال نجاح طعن بنسبة 5% لها قيمة استرداد متوقعة أقل (2,500 دولار) مقارنة بمطالبة بقيمة 5,000 دولار مع احتمال نجاح بنسبة 80% (4,000 دولار). بدون البيانات اللازمة لإجراء هذه الحسابات، يعتمد ترتيب الأولويات على حدس الموظفين، والحدس غير متسق.

كيف يغير الذكاء الاصطناعي ترتيب أولويات الرفض

تقوم أنظمة إدارة الرفض بالذكاء الاصطناعي بتقييم كل مطالبة مرفوضة بناءً على عوامل متعددة: المبلغ بالدولار، ورمز سبب الرفض، وشركة التأمين، ومعدل النجاح التاريخي للطعون المماثلة، والوقت المتبقي قبل انتهاء مهلة الطعن. ينتج عن ذلك قيمة استرداد متوقعة لكل حالة رفض توجه عملية ترتيب الأولويات.

قد يعرض النظام قائمة انتظار لمعالجة حالات الرفض تبدو مختلفة تماماً عن الترتيب التقليدي حسب التاريخ أو المبلغ. فقد تحتل حالة رفض تفويض بقيمة 2,800 دولار من Aetna مرتبة أعلى من حالة رفض ضرورة طبية بقيمة 15,000 دولار من خطة إقليمية صغيرة، لأن النظام يعلم من البيانات التاريخية أن حالات رفض التفويض من Aetna يتم إلغاؤها بنسبة 72% من الوقت بينما حالات رفض الضرورة الطبية من تلك الخطة الإقليمية يتم إلغاؤها بنسبة 8% فقط.

مع مرور الوقت، يُحسّن الذكاء الاصطناعي توقعاته بناءً على النتائج الخاصة بمؤسستك. يتعلم أي محللي الرفض لديهم معدلات نجاح أعلى مع شركات تأمين أو أنواع رفض معينة، ويمكنه حتى توجيه حالات رفض محددة إلى المحلل الأكثر احتمالاً للنجاح في ذلك الطعن بالذات.

إنشاء الطعون تلقائياً

بالإضافة إلى ترتيب الأولويات، يمكن للذكاء الاصطناعي صياغة خطابات الطعن وتجميع الوثائق الداعمة تلقائياً. بالنسبة لأنواع الرفض الشائعة مثل حالات الرفض المتعلقة بالتفويض أو تعديلات التجميع، تكون لغة الطعن موحدة نسبياً. يسحب الذكاء الاصطناعي الوثائق السريرية ذات الصلة، ويشير إلى لغة السياسة المعمول بها، وينشئ مسودة طعن يمكن للمراجع البشري الموافقة عليها أو تعديلها أو إرسالها كما هي.

قام نظام صحي إقليمي في جنوب شرق الولايات المتحدة بتطبيق إنشاء الطعون بمساعدة الذكاء الاصطناعي وقاس النتائج على مدى تسعة أشهر. زاد حجم طعون الرفض لديهم بنسبة 45% لأن الذكاء الاصطناعي قلّص الوقت لكل طعن من متوسط 35 دقيقة إلى 12 دقيقة. ظل معدل نجاح الطعون ثابتاً عند 58%، مما يعني أن الحجم الإضافي تُرجم مباشرة إلى استرداد إيرادات إضافية.

كانت النتيجة على مدى تسعة أشهر 3.2 مليون دولار من الإيرادات المستردة الإضافية مقارنة بخط الأساس قبل الذكاء الاصطناعي. كلفهم النظام ما يقارب 180,000 دولار سنوياً كرسوم ترخيص.

اكتشاف الأنماط للوقاية

الجانب الأكثر قيمة في إدارة الرفض بالذكاء الاصطناعي ليس الطعن بحد ذاته، بل اكتشاف الأنماط الذي يغذي عملية منع الرفض. عندما يحلل الذكاء الاصطناعي آلاف حالات الرفض، فإنه يحدد المشكلات النظامية التي قد لا يراها محللو الرفض الأفراد.

على سبيل المثال، قد يكتشف النظام أن مطالبات مقدم خدمة معين لرمز CPT 27447 (استبدال الركبة الكلي) يتم رفضها من قبل UnitedHealthcare بمعدل ثلاثة أضعاف نفس الإجراء الذي يقوم به مقدمو خدمات آخرون في نفس المؤسسة. قد يكشف التحقيق أن أسلوب توثيق هذا المقدم لا يتضمن لغة الضرورة الطبية المحددة التي تتطلبها سياسة UHC.

أو قد يحدد النظام أن جميع المطالبات المقدمة في اليوم الخامس عشر من الشهر إلى برنامج Medicaid معين يتم رفضها لأسباب تتعلق بالأهلية، لأن ملف أهلية تلك الخطة يتم تحديثه في اليوم السادس عشر وهناك تأخر زمني. مجرد تأخير تلك التقديمات بيومين يلغي فئة كاملة من حالات الرفض.

هذه الرؤى الاستباقية هي حيث تظهر القيمة المركبة لإدارة الرفض بالذكاء الاصطناعي. كل حالة رفض يتم منعها تساوي أكثر من كل حالة يتم الطعن فيها بنجاح، لأنها تتجنب تكلفة إعادة العمل بالكامل. منصات الذكاء الاصطناعي للرعاية الصحية التي تربط بيانات إدارة الرفض بالواجهة الأمامية لدورة الإيرادات تُنشئ حلقة تحسين مستمر.

استراتيجية خاصة بكل شركة تأمين

لدى شركات التأمين المختلفة سلوكيات رفض مختلفة، وعمليات طعن مختلفة، وملفات معدلات نجاح مختلفة. تتعلم أنظمة الذكاء الاصطناعي هذه الاختلافات وتعدّل الاستراتيجية وفقاً لذلك. مع شركة التأمين أ، قد يوصي النظام بتضمين استشهادات من الأدبيات المحكّمة في طعون الضرورة الطبية لأن مراجعي تلك الشركة يستجيبون للأدلة السريرية. مع شركة التأمين ب، قد يوصي النظام بالتصعيد إلى المراجعة الخارجية فوراً لأن الطعون الداخلية لديها معدل نجاح 3% بينما تنجح المراجعة الخارجية بنسبة 45% من الوقت.

هذه المعرفة الخاصة بكل شركة تأمين يصعب الحفاظ عليها يدوياً. تتغير سياسات شركات التأمين، وتتحول ميول المراجعين، وتظهر أنماط رفض جديدة باستمرار. يمكن لأنظمة الذكاء الاصطناعي التي تتعلم باستمرار من النتائج أن تتكيف بشكل أسرع من دليل السياسات والإجراءات الذي يتم تحديثه كل ربع سنة.

نهج التطبيق

يتضمن البدء في إدارة الرفض بالذكاء الاصطناعي عادةً مرحلة تحليل تاريخي حيث يستوعب النظام بيانات الرفض لمدة 12 إلى 24 شهراً، بما في ذلك نتائج الطعون السابقة. تسمح بيانات التدريب هذه للنظام بمعايرة توقعاته وفقاً لمزيج شركات التأمين الخاص بك وملف الرفض الخاص بمؤسستك.

يعمل الانتقال من سير العمل اليدوي إلى المدعوم بالذكاء الاصطناعي بشكل أفضل عندما يكون تدريجياً. ابدأ باستخدام ترتيب الأولويات بالذكاء الاصطناعي لإعادة ترتيب قائمة العمل الحالية. أضف صياغة الطعون التلقائية لأكثر فئات الرفض شيوعاً. توسع إلى سير العمل الكامل بمساعدة الذكاء الاصطناعي مع بناء الفريق للثقة في توصيات النظام.

غالباً ما تقلق فرق إدارة الرفض من أن الأتمتة ستلغي وظائفهم. في الممارسة العملية، يحدث العكس عادةً. يتعامل الذكاء الاصطناعي مع حالات الرفض الروتينية ويحرر المحللين ذوي الخبرة للتركيز على الحالات المعقدة، ومفاوضات شركات التأمين، والعمل الاستراتيجي لخفض معدلات الرفض عبر المؤسسة. حجم حالات الرفض مرتفع بما يكفي بحيث لا يوجد نقص في العمل، بل مجرد تحول في نوع العمل الذي يقوم به البشر.