كيف يخفض الذكاء الاصطناعي معدلات رفض المطالبات من 12% إلى أقل من 4%

قد يبدو معدل رفض المطالبات بنسبة 12% قابلاً للإدارة حتى تجري الحسابات. بالنسبة لعيادة متوسطة الحجم تفوتر 5 ملايين دولار سنوياً، فإن ذلك يعني 600,000 دولار من المطالبات المرتجعة، وكل واحدة منها تتطلب وقتاً من الموظفين لإعادة معالجتها وإعادة تقديمها ومتابعتها. التكلفة الحقيقية ليست فقط المبلغ المرفوض، بل هي 15 إلى 25 دقيقة من عمل الموظفين لكل مطالبة مُعاد معالجتها، مضروبة في آلاف الطلبات المقدمة.

من أين تأتي حالات الرفض فعلياً

يتتبع Advisory Board أسباب الرفض عبر مئات المستشفيات، والتوزيع متسق بشكل مفاجئ. حوالي 27% من حالات الرفض تنبع من مشاكل التسجيل والأهلية، مما يعني أن تغطية المريض لم يتم التحقق منها بشكل صحيح قبل تقديم الخدمات. و19% أخرى تأتي من بيانات مطالبات مفقودة أو غير صالحة، مثل رموز المُعدِّلات الخاطئة، أو عدم تطابق أزواج التشخيص والإجراء، أو حقول البيانات الديموغرافية غير المكتملة. تمثل حالات الرفض المتعلقة بالتفويض المسبق حوالي 12%، بينما تبلغ حالات رفض الضرورة الطبية حوالي 10%.

ما يلفت الانتباه هو أن الغالبية العظمى من هذه الحالات، ما بين 60% و70%، يمكن تجنبها. فهي ليست نزاعات حول ما إذا كانت الرعاية مناسبة. إنها مشاكل أوراق. ثغرات في إدخال البيانات. أشياء كان يمكن لنظرة مراجعة ثانية أن تكتشفها لو كان لدى أي شخص الوقت للنظر فيها.

كيف يعمل تدقيق المطالبات بالذكاء الاصطناعي

يقع تدقيق المطالبات القائم على الذكاء الاصطناعي بين نظام السجلات الصحية الإلكترونية أو نظام إدارة العيادة وغرفة المقاصة. قبل أن تخرج المطالبة، يمررها النظام عبر سلسلة من الفحوصات تتجاوز بكثير ما تتعامل معه أدوات التدقيق التقليدية القائمة على القواعد.

تتحقق أدوات التدقيق التقليدية من الأخطاء الواضحة: هل يوجد رقم NPI صالح؟ هل رمز CPT موجود؟ هل تاريخ الخدمة ضمن نطاق معقول؟ أدوات التدقيق بالذكاء الاصطناعي تفعل كل ذلك، بالإضافة إلى تحليل الأنماط. فهي تتعلم من تاريخ الرفض الخاص بعيادتك وتُعلِّم المطالبات التي تتطابق مع أنماط الطلبات المرفوضة سابقاً.

على سبيل المثال، لنفترض أن عيادتك تحصل باستمرار على رفض عند فوترة CPT 99214 مع رمز ICD-10 M54.5 لدافع معين. لن تُعلِّم أداة التدقيق القائمة على القواعد ذلك لأن كلا الرمزين صالحان تقنياً. لكن نظام الذكاء الاصطناعي يلاحظ النمط بعد رؤية 30 أو 40 حالة رفض ويبدأ في تعليم المطالبات المشابهة للمراجعة قبل التقديم.

الأرقام وراء التحسن

نشرت Olive AI بيانات من تطبيقات عبر أكثر من 900 مستشفى تُظهر تحسن معدلات منع الرفض بنسبة 30% إلى 50% خلال الأشهر الستة الأولى. وتفيد AKASA، التي تركز تحديداً على الذكاء الاصطناعي لدورة الإيرادات، بأن عملاءها يشهدون معدلات قبول المطالبات من المرة الأولى تتجاوز 96%، ارتفاعاً من خطوط الأساس النموذجية حول 88%.

شارك نظام صحي مجتمعي في الغرب الأوسط يضم 12 عيادة تجربته في المؤتمر السنوي لـ HFMA. انخفض معدل الرفض لديهم من 11.8% إلى 3.6% خلال ثمانية أشهر بعد تطبيق مراجعة المطالبات المدعومة بالذكاء الاصطناعي. كانت العوامل الرئيسية هي اكتشاف ثغرات التحقق من الأهلية قبل تقديم المطالبة وتحديد أخطاء المُعدِّلات في المطالبات الجراحية التي كان مُبرمجوهم يفوتونها باستمرار.

كان الأثر المالي كبيراً. قدّروا استرداد 1.2 مليون دولار من الإيرادات خلال السنة الأولى، ليس من تحصيل حالات الرفض القديمة، بل من منع حالات جديدة. تم إعادة تعيين الموظفين الذين كانوا يقضون سابقاً 60% من وقتهم في متابعة حالات الرفض إلى الاستشارات المالية للمرضى وإعداد خطط الدفع.

ما الذي يكتشفه الذكاء الاصطناعي فعلياً

تميل الاكتشافات الأكثر تأثيراً إلى الوقوع في عدة فئات. أولاً، تفضيلات الترميز الخاصة بكل دافع. قد يقبل Medicare مجموعة معينة من التشخيص والإجراء بينما يرفضها Blue Cross باستمرار في منطقتك. يتعلم الذكاء الاصطناعي هذه الخصوصيات لكل دافع.

ثانياً، ثغرات التوثيق. عندما تخرج مطالبة لزيارة E/M من المستوى الرابع لكن الملاحظة المرتبطة لا تدعم هذا المستوى من التعقيد، يُعلِّم الذكاء الاصطناعي عدم التطابق. هذا يختلف عن مجرد التحقق من صلاحية الرموز. إنه التحقق من أن القصة التي ترويها الرموز تتطابق مع القصة التي يرويها التوثيق.

ثالثاً، توقيت التفويض. إذا تم الحصول على تفويض مسبق لكن تاريخ الخدمة يقع خارج النافذة المُفوَّضة، يكتشف الذكاء الاصطناعي ذلك قبل إرسال المطالبة. هذا وحده يمكن أن يمنع 3% إلى 5% من حالات الرفض في العيادات ذات الأحجام الجراحية العالية.

رابعاً، مشاكل تنسيق المنافع. عندما يكون لدى المريض خطط تأمين متعددة، فإن الخطأ في ترتيب الدافع الأساسي والثانوي يعني رفضاً مضموناً. يقوم الذكاء الاصطناعي بمراجعة بيانات الأهلية لتعليم مشاكل تنسيق المنافع المحتملة.

واقع التطبيق

الانتقال من معدل رفض 12% إلى أقل من 4% لا يحدث بين ليلة وضحاها، ولا يحدث بمجرد تثبيت البرنامج. يحتاج الذكاء الاصطناعي إلى بيانات تدريب من عيادتك تحديداً، ومزيج الدافعين لديك، وتاريخ الرفض الخاص بك. تُظهر معظم التطبيقات تحسناً ملموساً خلال 90 يوماً، لكن التأثير الكامل يستغرق من ستة إلى تسعة أشهر حيث يجمع النظام بيانات كافية لإجراء تنبؤات خاصة بالعيادة.

التكامل هو التحدي الآخر. يحتاج الذكاء الاصطناعي إلى وصول فوري لنظام إدارة العيادة وبيانات التحقق من الأهلية، ومن الأفضل توثيق السجلات الصحية الإلكترونية. إذا لم تتواصل هذه الأنظمة مع بعضها بسلاسة، فإن الذكاء الاصطناعي يعمل بمعلومات ناقصة. منصات عمليات الرعاية الصحية التي تدمج تدفقات البيانات هذه تجعل طبقة الذكاء الاصطناعي أكثر فعالية بشكل ملحوظ.

قبول الموظفين مهم أيضاً. المُبرمجون والمُفوترون الذين يقومون بهذا العمل منذ 20 عاماً يقاومون أحياناً عندما يبدأ البرنامج في تعليم طلباتهم. تأطير الأمر كشبكة أمان بدلاً من بديل يساعد. أفضل التطبيقات تضع الذكاء الاصطناعي كأداة لاكتشاف الأخطاء التي تحدث عندما يعالج البشر مطالبتهم رقم 150 في اليوم ويبدأ الإرهاق.

ماذا يعني هذا للعيادات الصغيرة

كان تدقيق المطالبات بالذكاء الاصطناعي في السابق تقنية مخصصة للمؤسسات الكبيرة بتكاليف تطبيق من ستة أرقام. لقد تغير ذلك. يقدم العديد من المزودين الآن حلولاً سحابية مسعّرة لكل مطالبة أو لكل مقدم خدمة شهرياً، مما يجعل التقنية في متناول العيادات التي تضم ثلاثة أو أربعة مقدمي خدمة فقط.

بالنسبة للعيادات الصغيرة، فإن حساب العائد على الاستثمار أكثر ملاءمة فعلياً لأن كل مطالبة مرفوضة تمثل نسبة أكبر من إجمالي الإيرادات، وعادة ما يكون لديهم عدد أقل من الموظفين المتاحين لمعالجة حالات الرفض. جراح عظام منفرد يفوتر 1.5 مليون دولار سنوياً وينتقل من 10% رفض إلى 4% يسترد 90,000 دولار سنوياً. مقابل تكلفة برنامج تتراوح بين 500 و800 دولار شهرياً، الحسابات واضحة.

العيادات التي تحقق أفضل النتائج تتعامل مع تدقيق المطالبات بالذكاء الاصطناعي ليس كأداة تُضبط وتُنسى، بل كجزء من تحول أوسع نحو تنظيف دورة الإيرادات من البداية. عندما تجمع بين تدقيق الذكاء الاصطناعي والتحقق الآلي من الأهلية والتحقق من التفويض في الوقت الفعلي، فإنك تعالج مشكلة الرفض من جذورها بدلاً من ملاحقتها بعد وقوعها.