거부 관리(Denial Management)를 위한 AI: 알맞은 클레임을 자동으로 항변하기

평균적인 병원은 순수익의 1%에서 2%를 미처리 거부건, 즉 직원들이 처리할 여력이 없어 거부되었지만 한 번도 항소하지 못한 청구건으로 상각합니다. 순환자수익이 5억 달러인 병원의 경우, 이는 연간 500만에서 1,000만 달러가 방치되는 것입니다. 문제는 의료기관이 거부건을 항소할 수 없다는 것이 아닙니다. 모든 거부건을 항소할 수 없다는 것이며, 데이터 기반 우선순위 설정 없이는 직원들이 고가치 항소건이 기한 만료되는 동안 저가치 항소건에 시간을 소비하는 경우가 많다는 것입니다.

분류 문제

일반적인 병원의 거부 관리팀은 월 3,000건에서 5,000건의 거부 청구를 처리해야 할 수 있습니다. 각 항소에는 조사, 문서 수집 및 제출이 필요하며, 복잡도에 따라 20분에서 2시간이 소요됩니다. 제한된 인력으로 인해 항소 기한이 지나기 전에 처리되는 거부건은 일부에 불과합니다.

대부분의 거부 관리팀은 선입선출 방식, 즉 도착 순서대로 거부건을 처리하거나, 항소 성공 확률과 관계없이 고액 청구건에 집중하는 방식을 기본으로 합니다. 어느 접근법도 최적이 아닙니다. 항소 성공 확률이 5%인 50,000달러 거부 청구건의 기대 회수액은 2,500달러로, 성공 확률이 80%인 5,000달러 청구건의 기대 회수액 4,000달러보다 낮습니다. 이러한 계산을 할 데이터가 없으면 직원의 직감이 우선순위를 결정하게 되며, 직감은 일관성이 없습니다.

AI가 거부 우선순위 설정을 바꾸는 방법

AI 거부 관리 시스템은 여러 요소를 기반으로 각 거부 청구건에 점수를 매깁니다: 금액, 거부 사유 코드, 보험사, 유사 항소의 과거 성공률, 항소 기한까지 남은 시간 등입니다. 이를 통해 각 거부건의 기대 회수 가치를 산출하여 우선순위 설정을 안내합니다.

시스템이 제시하는 거부 작업 대기열은 기존의 날짜순 또는 금액순 정렬 목록과 전혀 다를 수 있습니다. Aetna의 2,800달러 사전승인 거부건이 소규모 지역 보험사의 15,000달러 의료 필요성 거부건보다 높은 순위에 올 수 있는데, 이는 시스템이 과거 데이터를 통해 Aetna의 사전승인 거부건은 72%의 확률로 번복되는 반면 해당 지역 보험사의 의료 필요성 거부건은 8%의 확률로만 번복된다는 것을 알고 있기 때문입니다.

시간이 지남에 따라 AI는 해당 의료기관의 구체적인 결과를 기반으로 예측을 정교화합니다. 어떤 거부 분석가가 특정 보험사나 거부 유형에서 더 높은 성공률을 보이는지 학습하고, 특정 거부건을 해당 항소에서 성공할 가능성이 가장 높은 분석가에게 배정할 수도 있습니다.

자동 항소서 생성

우선순위 설정을 넘어, AI는 항소서를 작성하고 지원 문서를 자동으로 수집할 수 있습니다. 사전승인 관련 거부나 번들링 편집과 같은 일반적인 거부 유형의 경우, 항소 문구는 비교적 표준화되어 있습니다. AI는 관련 임상 문서를 가져오고, 해당 정책 문구를 참조하며, 인간 검토자가 승인, 수정 또는 그대로 발송할 수 있는 항소서 초안을 생성합니다.

미국 남동부의 한 지역 의료 시스템이 AI 지원 항소서 생성을 도입하고 9개월간 결과를 측정했습니다. AI가 항소당 평균 소요 시간을 35분에서 12분으로 줄였기 때문에 거부 항소 건수가 45% 증가했습니다. 항소 성공률은 58%로 안정적으로 유지되었으며, 이는 추가 건수가 직접적으로 추가 수익 회수로 이어졌음을 의미합니다.

9개월간의 결과는 AI 도입 전 기준 대비 320만 달러의 추가 회수 수익이었습니다. 시스템 비용은 연간 약 18만 달러의 라이선스 비용이었습니다.

예방을 위한 패턴 감지

AI 거부 관리의 가장 가치 있는 측면은 항소 자체가 아닙니다. 거부 예방에 피드백되는 패턴 감지입니다. AI가 수천 건의 거부를 분석할 때, 개별 거부 분석가가 보지 못할 수 있는 체계적 문제를 식별합니다.

예를 들어, 시스템은 특정 의료진의 CPT 27447(인공슬관절전치환술) 청구건이 같은 의료기관의 다른 의료진이 수행한 동일 시술에 비해 UnitedHealthcare에서 3배 높은 비율로 거부되고 있음을 감지할 수 있습니다. 조사 결과, 해당 의료진의 문서 작성 방식이 UHC 정책에서 요구하는 특정 의료 필요성 문구를 포함하지 않는 것으로 밝혀질 수 있습니다.

또는 시스템이 특정 Medicaid 프로그램에 매월 15일에 제출된 모든 청구건이 자격 사유로 거부되는 것을 식별할 수 있는데, 이는 해당 보험의 자격 파일이 16일에 업데이트되어 시간 지연이 발생하기 때문입니다. 단순히 해당 제출을 이틀 늦추는 것만으로 거부의 전체 범주를 제거할 수 있습니다.

이러한 상류 인사이트가 AI 거부 관리의 복합적 가치가 나타나는 지점입니다. 예방된 각 거부건은 성공적으로 항소된 각 건보다 더 가치가 있는데, 재작업 비용을 완전히 피할 수 있기 때문입니다. 헬스케어 AI 플랫폼은 거부 관리 데이터를 프론트엔드 수익 주기에 다시 연결하여 지속적인 개선 루프를 만듭니다.

보험사별 전략

보험사마다 거부 행태, 항소 절차 및 성공률 프로필이 다릅니다. AI 시스템은 이러한 차이를 학습하고 그에 따라 전략을 조정합니다. 보험사 A의 경우, 시스템은 의료 필요성 항소에 동료 심사 문헌 인용을 포함할 것을 권장할 수 있는데, 해당 보험사의 심사자가 임상 근거에 반응하기 때문입니다. 보험사 B의 경우, 내부 항소 성공률이 3%인 반면 외부 심사 성공률이 45%이기 때문에 즉시 외부 심사로 에스컬레이션할 것을 권장할 수 있습니다.

이러한 보험사별 인텔리전스는 수동으로 유지하기 어렵습니다. 보험사 정책이 변경되고, 심사자 경향이 바뀌며, 새로운 거부 패턴이 끊임없이 나타납니다. 결과로부터 지속적으로 학습하는 AI 시스템은 분기별로 업데이트되는 정책 및 절차 매뉴얼보다 더 빠르게 적응할 수 있습니다.

구현 접근법

AI 거부 관리를 시작하려면 일반적으로 시스템이 이전 항소 결과를 포함한 12개월에서 24개월의 거부 데이터를 수집하는 과거 분석 단계가 필요합니다. 이 학습 데이터를 통해 시스템은 귀하의 특정 보험사 구성 및 거부 프로필에 맞게 예측을 보정할 수 있습니다.

수동에서 AI 지원 워크플로우로의 전환은 점진적으로 이루어질 때 가장 효과적입니다. AI 우선순위 설정을 사용하여 기존 작업 대기열을 재정렬하는 것부터 시작하십시오. 가장 일반적인 거부 범주에 대해 자동 항소서 작성을 추가하십시오. 팀이 시스템의 권장 사항에 대한 신뢰를 쌓아감에 따라 전체 AI 지원 워크플로우로 확장하십시오.

거부 관리팀은 자동화가 자신들의 일자리를 없앨 것이라고 종종 걱정합니다. 실제로는 그 반대가 일어나는 경향이 있습니다. AI가 일상적인 거부건을 처리하고 경험 많은 분석가들이 복잡한 사례, 보험사 협상, 그리고 조직 전체의 거부율을 낮추는 전략적 업무에 집중할 수 있도록 합니다. 거부 건수가 충분히 많기 때문에 일이 부족한 것이 아니라, 인간이 하는 일의 종류가 바뀌는 것입니다.