Wie KI die Ablehnungsrate von Ansprüchen von 12 % auf unter 4 % senkt

Eine Ablehnungsrate von 12 % bei Ansprüchen klingt handhabbar – bis man nachrechnet. Für eine mittelgroße Praxis mit einem jährlichen Abrechnungsvolumen von 5 Millionen Dollar bedeutet das 600.000 Dollar an zurückgewiesenen Ansprüchen, von denen jeder einzelne Personalzeit für Nachbearbeitung, erneute Einreichung und Nachverfolgung erfordert. Die tatsächlichen Kosten bestehen nicht nur aus dem abgelehnten Betrag. Es sind die 15 bis 25 Minuten Arbeitszeit pro nachbearbeitetem Anspruch, multipliziert über Tausende von Einreichungen.

Woher Ablehnungen tatsächlich kommen

Das Advisory Board verfolgt Ablehnungsgründe über Hunderte von Krankenhäusern hinweg, und die Aufschlüsselung ist erstaunlich konsistent. Etwa 27 % der Ablehnungen resultieren aus Registrierungs- und Anspruchsberechtigungsproblemen, was bedeutet, dass der Versicherungsschutz des Patienten vor der Leistungserbringung nicht ordnungsgemäß überprüft wurde. Weitere 19 % stammen von fehlenden oder ungültigen Anspruchsdaten – Dinge wie falsche Modifikator-Codes, nicht übereinstimmende Diagnose-Prozedur-Zuordnungen oder unvollständige demografische Felder. Genehmigungsbezogene Ablehnungen machen etwa 12 % aus, und Ablehnungen wegen medizinischer Notwendigkeit liegen bei etwa 10 %.

Was auffällt, ist, dass die überwiegende Mehrheit davon – irgendwo zwischen 60 % und 70 % – vermeidbar ist. Es handelt sich nicht um Streitigkeiten darüber, ob die Behandlung angemessen war. Es sind Papierkram-Probleme. Lücken bei der Dateneingabe. Dinge, die ein zweites Augenpaar auffangen würde, wenn jemand die Zeit hätte hinzuschauen.

Wie KI-basierte Anspruchsprüfung funktioniert

Die KI-basierte Anspruchsprüfung sitzt zwischen Ihrem EHR- oder Praxisverwaltungssystem und der Clearingstelle. Bevor ein Anspruch das Haus verlässt, durchläuft das System eine Reihe von Prüfungen, die weit über das hinausgehen, was herkömmliche regelbasierte Prüfsysteme leisten.

Herkömmliche Prüfsysteme kontrollieren offensichtliche Fehler: Gibt es eine gültige NPI? Existiert der CPT-Code? Liegt das Leistungsdatum in einem plausiblen Bereich? KI-Prüfsysteme tun all das und analysieren zusätzlich Muster. Sie lernen aus der spezifischen Ablehnungshistorie Ihrer Praxis und markieren Ansprüche, die den Profilen zuvor abgelehnter Einreichungen entsprechen.

Nehmen wir zum Beispiel an, Ihre Praxis erhält regelmäßig Ablehnungen bei der Abrechnung von CPT 99214 mit ICD-10-Code M54.5 bei einem bestimmten Kostenträger. Ein regelbasiertes Prüfsystem wird das nicht markieren, weil technisch gesehen beide Codes gültig sind. Ein KI-System erkennt das Muster nach 30 oder 40 Ablehnungen und beginnt, ähnliche Ansprüche vor der Einreichung zur Überprüfung zu markieren.

Die Zahlen hinter der Verbesserung

Olive AI veröffentlichte Daten aus Implementierungen in über 900 Krankenhäusern, die zeigen, dass sich die Ablehnungspräventionsraten innerhalb der ersten sechs Monate um 30 % bis 50 % verbesserten. AKASA, das sich speziell auf KI im Revenue Cycle konzentriert, berichtet, dass ihre Kunden Erstdurchlauf-Akzeptanzraten von über 96 % erreichen, gegenüber typischen Ausgangswerten von etwa 88 %.

Ein kommunales Gesundheitssystem im Mittleren Westen mit 12 Kliniken teilte seine Erfahrungen auf der Jahreskonferenz der HFMA. Ihre Ablehnungsrate sank innerhalb von acht Monaten nach Einführung der KI-gestützten Anspruchsprüfung von 11,8 % auf 3,6 %. Die Schlüsselfaktoren waren das Erkennen von Lücken bei der Anspruchsberechtigungsprüfung vor der Einreichung und die Identifizierung von Modifikator-Fehlern bei chirurgischen Ansprüchen, die ihre Kodierer regelmäßig übersahen.

Die finanziellen Auswirkungen waren erheblich. Sie schätzten 1,2 Millionen Dollar an wiedergewonnenen Einnahmen im ersten Jahr – nicht durch das Eintreiben alter Ablehnungen, sondern durch die Vermeidung neuer. Mitarbeiter, die zuvor 60 % ihrer Zeit mit der Nachverfolgung von Ablehnungen verbrachten, wurden der finanziellen Patientenberatung und der Einrichtung von Zahlungsplänen zugewiesen.

Was die KI tatsächlich erkennt

Die wirkungsvollsten Erkennungen fallen tendenziell in einige Kategorien. Erstens: kostenträgerspezifische Kodierungspräferenzen. Medicare akzeptiert möglicherweise eine bestimmte Diagnose-Prozedur-Kombination, die Blue Cross in Ihrer Region regelmäßig ablehnt. KI lernt diese kostenträgerspezifischen Eigenheiten.

Zweitens: Dokumentationslücken. Wenn ein Anspruch für einen E/M-Besuch der Stufe 4 eingereicht wird, die zugehörige Dokumentation dieses Komplexitätsniveau jedoch nicht unterstützt, markiert die KI die Diskrepanz. Das unterscheidet sich davon, nur zu prüfen, ob Codes gültig sind. Es wird geprüft, ob die Geschichte, die die Codes erzählen, mit der Geschichte übereinstimmt, die die Dokumentation erzählt.

Drittens: Genehmigungszeitfenster. Wenn eine Vorabgenehmigung eingeholt wurde, das Leistungsdatum aber außerhalb des genehmigten Zeitfensters liegt, erkennt die KI das vor dem Versand des Anspruchs. Allein dies kann 3 % bis 5 % der Ablehnungen bei Praxen mit hohem chirurgischem Volumen verhindern.

Viertens: Probleme bei der Koordination von Leistungen. Wenn ein Patient mehrere Versicherungspläne hat, führt eine falsche Reihenfolge von Erst- und Zweitversicherer garantiert zu einer Ablehnung. KI gleicht Berechtigungsdaten ab, um potenzielle COB-Probleme zu markieren.

Realitäten der Implementierung

Von einer Ablehnungsrate von 12 % auf unter 4 % zu kommen, geschieht nicht über Nacht, und es geschieht nicht allein durch das Einbinden von Software. Die KI benötigt Trainingsdaten aus Ihrer spezifischen Praxis, Ihrem Kostenträgermix und Ihrer Ablehnungshistorie. Die meisten Implementierungen zeigen innerhalb von 90 Tagen deutliche Verbesserungen, aber die volle Wirkung entfaltet sich erst nach sechs bis neun Monaten, wenn das System genügend Daten gesammelt hat, um praxisspezifische Vorhersagen zu treffen.

Die Integration ist die andere Herausforderung. Die KI benötigt Echtzeitzugriff auf Ihr Praxisverwaltungssystem, Berechtigungsprüfungsdaten und idealerweise Ihre EHR-Dokumentation. Wenn diese Systeme nicht sauber miteinander kommunizieren, arbeitet die KI mit unvollständigen Informationen. Plattformen für den Gesundheitsbetrieb, die diese Datenströme konsolidieren, machen die KI-Schicht deutlich effektiver.

Auch die Akzeptanz der Mitarbeiter ist wichtig. Kodierer und Abrechnungskräfte, die diese Arbeit seit 20 Jahren machen, wehren sich manchmal, wenn Software ihre Einreichungen markiert. Es als Sicherheitsnetz statt als Ersatz zu positionieren, hilft. Die besten Implementierungen stellen KI als Werkzeug dar, das die Fehler auffängt, die passieren, wenn Menschen ihren 150. Anspruch des Tages bearbeiten und Ermüdung einsetzt.

Was das für kleine Praxen bedeutet

KI-basierte Anspruchsprüfung war früher eine reine Enterprise-Technologie mit sechsstelligen Implementierungskosten. Das hat sich geändert. Mehrere Anbieter bieten jetzt cloudbasierte Lösungen an, die pro Anspruch oder pro Anbieter pro Monat abgerechnet werden, wodurch die Technologie für Praxen mit nur drei oder vier Anbietern erschwinglich wird.

Für kleine Praxen ist die ROI-Berechnung tatsächlich günstiger, da jeder abgelehnte Anspruch einen größeren Prozentsatz des Gesamtumsatzes ausmacht und in der Regel weniger Personal für die Bearbeitung von Ablehnungen zur Verfügung steht. Ein einzelner orthopädischer Chirurg mit einem jährlichen Abrechnungsvolumen von 1,5 Millionen Dollar, der von 10 % Ablehnungen auf 4 % wechselt, gewinnt 90.000 Dollar pro Jahr zurück. Bei Softwarekosten von 500 bis 800 Dollar pro Monat ist die Rechnung eindeutig.

Die Praxen mit den besten Ergebnissen behandeln die KI-basierte Anspruchsprüfung nicht als ein Werkzeug, das man einrichtet und vergisst, sondern als Teil eines umfassenderen Wandels hin zur Bereinigung des vorgelagerten Revenue Cycle. Wenn Sie KI-Prüfung mit automatisierter Berechtigungsprüfung und Echtzeit-Genehmigungskontrolle kombinieren, gehen Sie das Ablehnungsproblem an der Wurzel an, anstatt ihm im Nachhinein hinterherzulaufen.