Bagaimana AI Menurunkan Tingkat Penolakan Klaim Dari 12% Menjadi Di Bawah 4%

Tingkat penolakan klaim 12% terdengar bisa dikelola sampai Anda menghitung angkanya. Untuk praktik menengah yang menagih $5 juta per tahun, itu berarti $600.000 dalam klaim yang dikembalikan, masing-masing membutuhkan waktu staf untuk mengerjakan ulang, mengirim ulang, dan menindaklanjuti. Biaya sebenarnya bukan hanya jumlah yang ditolak. Melainkan 15 hingga 25 menit tenaga kerja staf per klaim yang dikerjakan ulang, dikalikan dengan ribuan pengajuan.

Dari Mana Sebenarnya Penolakan Berasal

Advisory Board melacak alasan penolakan di ratusan rumah sakit, dan rinciannya ternyata cukup konsisten. Sekitar 27% penolakan berasal dari masalah registrasi dan kelayakan, yang berarti cakupan asuransi pasien tidak diverifikasi dengan benar sebelum layanan diberikan. 19% lainnya berasal dari data klaim yang hilang atau tidak valid, seperti kode modifier yang salah, ketidakcocokan pasangan diagnosis-prosedur, atau kolom demografis yang tidak lengkap. Penolakan terkait otorisasi mencakup sekitar 12%, dan penolakan kebutuhan medis berada di sekitar 10%.

Yang menonjol adalah bahwa sebagian besar dari penolakan ini, sekitar 60% hingga 70%, sebenarnya dapat dicegah. Ini bukan perselisihan tentang apakah perawatan sudah tepat. Ini adalah masalah administrasi. Kesenjangan entri data. Hal-hal yang bisa ditangkap oleh sepasang mata kedua jika ada yang punya waktu untuk memeriksa.

Bagaimana AI Claim Scrubbing Bekerja

AI-based claim scrubbing berada di antara EHR atau sistem manajemen praktik Anda dan clearinghouse. Sebelum klaim dikirim, sistem menjalankannya melalui serangkaian pemeriksaan yang jauh melampaui apa yang ditangani oleh scrubber berbasis aturan tradisional.

Scrubber tradisional memeriksa kesalahan yang jelas: Apakah ada NPI yang valid? Apakah kode CPT ada? Apakah tanggal layanan dalam rentang yang wajar? AI scrubber melakukan semua itu, ditambah menganalisis pola. Mereka belajar dari riwayat penolakan spesifik praktik Anda dan menandai klaim yang cocok dengan profil pengajuan yang sebelumnya ditolak.

Misalnya, katakanlah praktik Anda secara konsisten mendapat penolakan saat menagih CPT 99214 dengan kode ICD-10 M54.5 untuk payer tertentu. Scrubber berbasis aturan tidak akan menandai itu karena secara teknis kedua kode tersebut valid. Sistem AI mengenali pola tersebut setelah melihat 30 atau 40 penolakan dan mulai menandai klaim serupa untuk ditinjau sebelum pengajuan.

Angka di Balik Peningkatan Ini

Olive AI mempublikasikan data dari implementasi di lebih dari 900 rumah sakit yang menunjukkan tingkat pencegahan penolakan meningkat 30% hingga 50% dalam enam bulan pertama. AKASA, yang berfokus khusus pada AI siklus pendapatan, melaporkan bahwa klien mereka melihat tingkat penerimaan klaim first-pass di atas 96%, naik dari baseline tipikal sekitar 88%.

Sebuah sistem kesehatan komunitas di Midwest dengan 12 klinik membagikan pengalaman mereka di konferensi tahunan HFMA. Tingkat penolakan mereka turun dari 11,8% menjadi 3,6% selama delapan bulan setelah menerapkan tinjauan klaim berbantuan AI. Faktor kuncinya adalah menangkap kesenjangan verifikasi kelayakan sebelum pengajuan klaim dan mengidentifikasi kesalahan modifier pada klaim bedah yang secara konsisten terlewatkan oleh coder mereka.

Dampak finansialnya signifikan. Mereka memperkirakan $1,2 juta dalam pendapatan yang dipulihkan selama tahun pertama, bukan dari menagih penolakan lama, tetapi dari mencegah penolakan baru. Staf yang sebelumnya menghabiskan 60% waktu mereka untuk tindak lanjut penolakan dialihkan ke konseling keuangan pasien dan pengaturan rencana pembayaran.

Apa yang Sebenarnya Ditangkap oleh AI

Temuan yang paling berdampak cenderung masuk ke beberapa kategori. Pertama, preferensi pengkodean spesifik payer. Medicare mungkin menerima kombinasi diagnosis-prosedur tertentu yang secara konsisten ditolak oleh Blue Cross di wilayah Anda. AI mempelajari keunikan spesifik payer ini.

Kedua, kesenjangan dokumentasi. Ketika klaim dikirim untuk kunjungan E/M level-4 tetapi catatan terkait tidak mendukung tingkat kompleksitas tersebut, AI menandai ketidakcocokan tersebut. Ini berbeda dari sekadar memeriksa apakah kode valid. Ini memeriksa apakah cerita yang disampaikan kode cocok dengan cerita yang disampaikan dokumentasi.

Ketiga, waktu otorisasi. Jika prior auth telah diperoleh tetapi tanggal layanan jatuh di luar jendela yang diotorisasi, AI menangkap itu sebelum klaim dikirim. Ini saja dapat mencegah 3% hingga 5% penolakan di praktik dengan volume bedah tinggi.

Keempat, masalah koordinasi manfaat. Ketika pasien memiliki beberapa rencana asuransi, salah menentukan urutan payer primer dan sekunder adalah jaminan penolakan. AI melakukan referensi silang data kelayakan untuk menandai potensi masalah COB.

Realitas Implementasi

Beralih dari tingkat penolakan 12% ke di bawah 4% tidak terjadi dalam semalam, dan tidak terjadi hanya dengan memasang perangkat lunak. AI membutuhkan data pelatihan dari praktik spesifik Anda, campuran payer Anda, dan riwayat penolakan Anda. Sebagian besar implementasi menunjukkan peningkatan yang berarti dalam 90 hari, tetapi efek penuh membutuhkan enam hingga sembilan bulan saat sistem mengumpulkan cukup data untuk membuat prediksi spesifik praktik.

Integrasi adalah tantangan lainnya. AI membutuhkan akses real-time ke sistem PM Anda, data verifikasi kelayakan, dan idealnya dokumentasi EHR Anda. Jika sistem-sistem tersebut tidak berkomunikasi satu sama lain dengan baik, AI bekerja dengan informasi yang tidak lengkap. Platform operasi layanan kesehatan yang mengkonsolidasikan aliran data ini membuat lapisan AI jauh lebih efektif.

Dukungan staf juga penting. Coder dan biller yang telah melakukan pekerjaan ini selama 20 tahun terkadang menolak ketika perangkat lunak mulai menandai pengajuan mereka. Membingkainya sebagai jaring pengaman daripada pengganti akan membantu. Implementasi terbaik memposisikan AI sebagai penangkap kesalahan yang terjadi ketika manusia sedang memproses klaim ke-150 dalam sehari dan kelelahan mulai muncul.

Apa Artinya Ini untuk Praktik Kecil

AI claim scrubbing dulunya adalah teknologi khusus perusahaan besar dengan biaya implementasi enam digit. Itu telah berubah. Beberapa vendor sekarang menawarkan solusi berbasis cloud dengan harga per-klaim atau per-provider-per-bulan, menjadikan teknologi ini terjangkau untuk praktik dengan sedikitnya tiga atau empat provider.

Untuk praktik kecil, perhitungan ROI sebenarnya lebih menguntungkan karena setiap klaim yang ditolak mewakili persentase yang lebih besar dari total pendapatan, dan mereka biasanya memiliki lebih sedikit staf yang tersedia untuk menangani penolakan. Seorang ahli bedah ortopedi solo yang menagih $1,5 juta per tahun yang bergerak dari 10% penolakan ke 4% memulihkan $90.000 per tahun. Dibandingkan dengan biaya perangkat lunak $500 hingga $800 per bulan, perhitungannya sangat jelas.

Praktik yang melihat hasil terbaik memperlakukan AI claim scrubbing bukan sebagai alat yang dipasang lalu dilupakan, tetapi sebagai bagian dari pergeseran yang lebih luas menuju pembersihan siklus pendapatan di front-end. Ketika Anda menggabungkan AI scrubbing dengan verifikasi kelayakan otomatis dan pemeriksaan otorisasi real-time, Anda mengatasi masalah penolakan dari akarnya daripada mengejarnya setelah terjadi.