Come l'IA riduce i tassi di rifiuto dei sinistri dal 12% a meno del 4%

Un tasso di rifiuto dei sinistri del 12% sembra gestibile finché non si fanno i conti. Per uno studio medico di medie dimensioni che fattura 5 milioni di dollari all'anno, si tratta di 600.000 dollari in richieste respinte, ognuna delle quali richiede tempo del personale per la rilavorazione, la ripresentazione e il follow-up. Il costo reale non è solo l'importo rifiutato. Sono i 15-25 minuti di lavoro del personale per ogni richiesta rilavorata, moltiplicati per migliaia di invii.

Da dove provengono realmente i rifiuti

L'Advisory Board monitora le cause di rifiuto in centinaia di ospedali, e la distribuzione è sorprendentemente costante. Circa il 27% dei rifiuti deriva da problemi di registrazione e idoneità, il che significa che la copertura del paziente non è stata verificata correttamente prima dell'erogazione dei servizi. Un altro 19% proviene da dati mancanti o non validi nella richiesta, come codici modificatori errati, abbinamenti diagnosi-procedura non corrispondenti o campi demografici incompleti. I rifiuti legati alle autorizzazioni rappresentano circa il 12%, e quelli per necessità medica si attestano intorno al 10%.

Ciò che colpisce è che la stragrande maggioranza di questi, tra il 60% e il 70%, è prevenibile. Non si tratta di controversie sulla appropriatezza delle cure. Sono problemi burocratici. Lacune nell'inserimento dati. Cose che un secondo paio di occhi coglierebbe se qualcuno avesse il tempo di controllare.

Come funziona la verifica automatica dei sinistri con l'IA

La verifica dei sinistri basata sull'IA si posiziona tra il vostro EHR o sistema di gestione dello studio e la clearinghouse. Prima che una richiesta venga inviata, il sistema la sottopone a una serie di controlli che vanno ben oltre ciò che gestiscono i tradizionali sistemi di verifica basati su regole.

I sistemi tradizionali controllano errori evidenti: c'è un NPI valido? Il codice CPT esiste? La data del servizio rientra in un intervallo ragionevole? I sistemi basati sull'IA fanno tutto questo, più analizzano i pattern. Apprendono dalla storia specifica dei rifiuti del vostro studio e segnalano le richieste che corrispondono ai profili di invii precedentemente rifiutati.

Ad esempio, supponiamo che il vostro studio riceva costantemente rifiuti quando fattura il CPT 99214 con il codice ICD-10 M54.5 per un determinato pagatore. Un sistema basato su regole non lo segnalerà perché tecnicamente entrambi i codici sono validi. Un sistema IA nota il pattern dopo aver visto 30 o 40 rifiuti e inizia a segnalare richieste simili per la revisione prima dell'invio.

I numeri dietro il miglioramento

Olive AI ha pubblicato dati da implementazioni in oltre 900 ospedali che mostrano tassi di prevenzione dei rifiuti in miglioramento dal 30% al 50% entro i primi sei mesi. AKASA, che si concentra specificamente sull'IA per il ciclo dei ricavi, riporta che i loro clienti vedono tassi di accettazione al primo invio superiori al 96%, rispetto a valori di base tipici intorno all'88%.

Un sistema sanitario comunitario nel Midwest con 12 cliniche ha condiviso la propria esperienza alla conferenza annuale dell'HFMA. Il loro tasso di rifiuto è sceso dall'11,8% al 3,6% in otto mesi dopo l'implementazione della revisione dei sinistri assistita dall'IA. I fattori chiave sono stati l'individuazione delle lacune nella verifica dell'idoneità prima dell'invio della richiesta e l'identificazione degli errori nei modificatori nelle richieste chirurgiche che i loro codificatori mancavano sistematicamente.

L'impatto finanziario è stato significativo. Hanno stimato 1,2 milioni di dollari in ricavi recuperati durante il primo anno, non dalla riscossione di vecchi rifiuti, ma dalla prevenzione di nuovi. Il personale che in precedenza dedicava il 60% del proprio tempo al follow-up dei rifiuti è stato riassegnato alla consulenza finanziaria dei pazienti e alla configurazione dei piani di pagamento.

Cosa rileva effettivamente l'IA

Le rilevazioni più significative tendono a rientrare in alcune categorie. Primo, le preferenze di codifica specifiche per pagatore. Medicare potrebbe accettare una particolare combinazione diagnosi-procedura che Blue Cross rifiuta sistematicamente nella vostra regione. L'IA apprende queste peculiarità specifiche dei pagatori.

Secondo, le lacune nella documentazione. Quando una richiesta viene inviata per una visita E/M di livello 4 ma la nota associata non supporta quel livello di complessità, l'IA segnala la discrepanza. Questo è diverso dal semplice controllo della validità dei codici. Si tratta di verificare che la storia raccontata dai codici corrisponda alla storia raccontata dalla documentazione.

Terzo, la tempistica delle autorizzazioni. Se un'autorizzazione preventiva è stata ottenuta ma la data del servizio cade al di fuori della finestra autorizzata, l'IA lo rileva prima dell'invio della richiesta. Questo aspetto da solo può prevenire dal 3% al 5% dei rifiuti negli studi con elevati volumi chirurgici.

Quarto, problemi di coordinamento dei benefici. Quando un paziente ha più piani assicurativi, sbagliare l'ordine del pagatore primario e secondario è un rifiuto garantito. L'IA incrocia i dati di idoneità per segnalare potenziali problemi di COB.

Le realtà dell'implementazione

Passare da un tasso di rifiuto del 12% a meno del 4% non avviene dall'oggi al domani, e non avviene semplicemente installando un software. L'IA ha bisogno di dati di addestramento dal vostro studio specifico, dal vostro mix di pagatori e dalla vostra storia di rifiuti. La maggior parte delle implementazioni mostra miglioramenti significativi entro 90 giorni, ma l'effetto completo richiede da sei a nove mesi mentre il sistema accumula dati sufficienti per fare previsioni specifiche per lo studio.

L'integrazione è l'altra sfida. L'IA necessita di accesso in tempo reale al vostro sistema PM, ai dati di verifica dell'idoneità e idealmente alla documentazione del vostro EHR. Se questi sistemi non comunicano tra loro in modo fluido, l'IA lavora con informazioni incomplete. Le piattaforme operative sanitarie che consolidano questi flussi di dati rendono il livello IA significativamente più efficace.

Anche il coinvolgimento del personale è importante. Codificatori e addetti alla fatturazione che svolgono questo lavoro da 20 anni a volte oppongono resistenza quando un software inizia a segnalare i loro invii. Presentarlo come una rete di sicurezza piuttosto che come un sostituto aiuta. Le migliori implementazioni posizionano l'IA come strumento per intercettare gli errori che si verificano quando gli operatori stanno elaborando la loro 150ª richiesta della giornata e subentra la stanchezza.

Cosa significa per i piccoli studi

La verifica dei sinistri con IA era una tecnologia riservata alle grandi aziende con costi di implementazione a sei cifre. Questo è cambiato. Diversi fornitori ora offrono soluzioni cloud-based con prezzi per richiesta o per fornitore al mese, rendendo la tecnologia accessibile a studi con appena tre o quattro professionisti.

Per i piccoli studi, il calcolo del ROI è in realtà più favorevole perché ogni richiesta rifiutata rappresenta una percentuale maggiore del fatturato totale, e tipicamente hanno meno personale disponibile per gestire i rifiuti. Un chirurgo ortopedico che lavora da solo e fattura 1,5 milioni di dollari all'anno, passando dal 10% al 4% di rifiuti, recupera 90.000 dollari all'anno. Rispetto a un costo software di 500-800 dollari al mese, il calcolo è immediato.

Gli studi che ottengono i migliori risultati trattano la verifica dei sinistri con IA non come uno strumento da impostare e dimenticare, ma come parte di un cambiamento più ampio verso la pulizia del ciclo dei ricavi a monte. Quando si combina la verifica IA con la verifica automatica dell'idoneità e il controllo delle autorizzazioni in tempo reale, si affronta il problema dei rifiuti alla radice anziché rincorrerlo dopo che si è verificato.