Bagaimana AI Mengurangkan Kadar Penolakan Tuntutan Dari 12% ke Bawah 4%
Kadar penolakan tuntutan 12% kedengaran boleh diurus sehingga anda membuat kiraan. Untuk sebuah amalan bersaiz sederhana yang membil $5 juta setahun, itu bermakna $600,000 dalam tuntutan yang dikembalikan, setiap satu memerlukan masa kakitangan untuk mengolah semula, menghantar semula, dan membuat susulan. Kos sebenar bukan sekadar jumlah yang ditolak. Ia adalah 15 hingga 25 minit tenaga kerja kakitangan bagi setiap tuntutan yang diproses semula, didarabkan merentasi beribu-ribu penghantaran.
Dari Mana Sebenarnya Penolakan Datang
Advisory Board menjejaki sebab-sebab penolakan merentasi ratusan hospital, dan pecahannya secara mengejutkan konsisten. Kira-kira 27% penolakan berpunca daripada isu pendaftaran dan kelayakan, bermakna perlindungan pesakit tidak disahkan dengan betul sebelum perkhidmatan diberikan. 19% lagi datang daripada data tuntutan yang hilang atau tidak sah, perkara seperti kod pengubah suai yang salah, padanan diagnosis-ke-prosedur yang tidak sepadan, atau medan demografi yang tidak lengkap. Penolakan berkaitan kebenaran menyumbang kira-kira 12%, dan penolakan keperluan perubatan berada sekitar 10%.
Apa yang menonjol ialah majoriti besar daripada ini, antara 60% hingga 70%, boleh dicegah. Ia bukan pertikaian tentang sama ada penjagaan itu sesuai. Ia adalah masalah kertas kerja. Jurang kemasukan data. Perkara yang sepasang mata kedua akan tangkap jika sesiapa mempunyai masa untuk menyemak.
Bagaimana Penapisan Tuntutan AI Berfungsi
Penapisan tuntutan berasaskan AI terletak antara EHR atau sistem pengurusan amalan anda dan pusat penjelasan. Sebelum sesuatu tuntutan dihantar keluar, sistem menjalankannya melalui satu siri semakan yang jauh melampaui apa yang ditangani oleh penapis berasaskan peraturan tradisional.
Penapis tradisional menyemak kesilapan yang jelas: Adakah terdapat NPI yang sah? Adakah kod CPT wujud? Adakah tarikh perkhidmatan dalam julat yang munasabah? Penapis AI melakukan semua itu, ditambah dengan menganalisis corak. Ia belajar daripada sejarah penolakan khusus amalan anda dan menandakan tuntutan yang sepadan dengan profil penghantaran yang pernah ditolak sebelum ini.
Sebagai contoh, katakan amalan anda secara konsisten mendapat penolakan apabila membil CPT 99214 dengan kod ICD-10 M54.5 untuk pembayar tertentu. Penapis berasaskan peraturan tidak akan menandakan itu kerana secara teknikal kedua-dua kod adalah sah. Sistem AI menyedari corak tersebut selepas melihat 30 atau 40 penolakan dan mula menandakan tuntutan serupa untuk semakan sebelum penghantaran.
Angka Di Sebalik Peningkatan
Olive AI menerbitkan data daripada pelaksanaan merentasi 900+ hospital yang menunjukkan kadar pencegahan penolakan meningkat sebanyak 30% hingga 50% dalam tempoh enam bulan pertama. AKASA, yang memberi tumpuan khusus kepada AI kitaran hasil, melaporkan bahawa pelanggan mereka melihat kadar penerimaan tuntutan pas pertama melebihi 96%, meningkat daripada garis asas biasa sekitar 88%.
Sebuah sistem kesihatan komuniti di Midwest dengan 12 klinik berkongsi pengalaman mereka di persidangan tahunan HFMA. Kadar penolakan mereka menurun daripada 11.8% kepada 3.6% dalam tempoh lapan bulan selepas melaksanakan semakan tuntutan berbantukan AI. Faktor utama adalah menangkap jurang pengesahan kelayakan sebelum penghantaran tuntutan dan mengenal pasti kesilapan pengubah suai pada tuntutan pembedahan yang secara konsisten terlepas oleh pengekod mereka.
Kesan kewangan adalah signifikan. Mereka menganggarkan $1.2 juta dalam hasil yang dipulihkan pada tahun pertama, bukan daripada mengutip penolakan lama, tetapi daripada mencegah yang baharu. Kakitangan yang sebelum ini menghabiskan 60% masa mereka untuk susulan penolakan telah ditugaskan semula kepada kaunseling kewangan pesakit dan penyediaan pelan pembayaran.
Apa Yang Sebenarnya Ditangkap Oleh AI
Tangkapan yang paling berkesan cenderung jatuh dalam beberapa kategori. Pertama, keutamaan pengekodan khusus pembayar. Medicare mungkin menerima kombinasi diagnosis-prosedur tertentu yang Blue Cross secara konsisten menolak di kawasan anda. AI mempelajari keunikan khusus pembayar ini.
Kedua, jurang dokumentasi. Apabila tuntutan dihantar untuk lawatan E/M tahap-4 tetapi nota berkaitan tidak menyokong tahap kerumitan tersebut, AI menandakan ketidakpadanan itu. Ini berbeza daripada sekadar menyemak bahawa kod adalah sah. Ia menyemak bahawa cerita yang diceritakan oleh kod sepadan dengan cerita yang diceritakan oleh dokumentasi.
Ketiga, masa kebenaran. Jika kebenaran terdahulu telah diperoleh tetapi tarikh perkhidmatan jatuh di luar tempoh yang dibenarkan, AI menangkap itu sebelum tuntutan dihantar. Ini sahaja boleh mencegah 3% hingga 5% penolakan di amalan dengan volum pembedahan yang tinggi.
Keempat, isu penyelarasan manfaat. Apabila pesakit mempunyai pelbagai pelan insurans, mendapatkan susunan pembayar utama dan sekunder yang salah adalah penolakan yang dijamin. AI merujuk silang data kelayakan untuk menandakan masalah COB yang berpotensi.
Realiti Pelaksanaan
Bergerak daripada kadar penolakan 12% ke bawah 4% tidak berlaku dalam sekelip mata, dan ia tidak berlaku hanya dengan memasang perisian. AI memerlukan data latihan daripada amalan khusus anda, campuran pembayar anda, dan sejarah penolakan anda. Kebanyakan pelaksanaan menunjukkan peningkatan bermakna dalam tempoh 90 hari, tetapi kesan penuh mengambil masa enam hingga sembilan bulan apabila sistem mengumpulkan data yang mencukupi untuk membuat ramalan khusus amalan.
Integrasi adalah cabaran lain. AI memerlukan akses masa nyata kepada sistem PM anda, data pengesahan kelayakan, dan idealnya dokumentasi EHR anda. Jika sistem-sistem tersebut tidak berkomunikasi antara satu sama lain dengan lancar, AI bekerja dengan maklumat yang tidak lengkap. Platform operasi penjagaan kesihatan yang menyatukan aliran data ini menjadikan lapisan AI jauh lebih berkesan.
Sokongan kakitangan juga penting. Pengekod dan pembil yang telah melakukan kerja ini selama 20 tahun kadangkala menentang apabila perisian mula menandakan penghantaran mereka. Membingkainya sebagai jaring keselamatan dan bukannya pengganti membantu. Pelaksanaan terbaik meletakkan AI sebagai penangkap kesilapan yang berlaku apabila manusia sedang memproses tuntutan ke-150 mereka pada hari itu dan keletihan mula menguasai.
Apa Maksud Ini Untuk Amalan Kecil
Penapisan tuntutan AI dahulunya adalah teknologi peringkat perusahaan sahaja dengan kos pelaksanaan enam angka. Itu telah berubah. Beberapa vendor kini menawarkan penyelesaian berasaskan awan dengan harga per-tuntutan atau per-penyedia-sebulan, meletakkan teknologi ini dalam jangkauan amalan dengan seawal tiga atau empat penyedia.
Untuk amalan kecil, pengiraan ROI sebenarnya lebih menguntungkan kerana setiap tuntutan yang ditolak mewakili peratusan yang lebih besar daripada jumlah hasil, dan mereka biasanya mempunyai lebih sedikit kakitangan yang tersedia untuk menguruskan penolakan. Seorang pakar bedah ortopedik solo yang membil $1.5 juta setahun yang bergerak daripada 10% penolakan kepada 4% memulihkan $90,000 setahun. Berbanding kos perisian $500 hingga $800 sebulan, kiraannya jelas.
Amalan yang melihat hasil terbaik memperlakukan penapisan tuntutan AI bukan sebagai alat pasang-dan-lupakan, tetapi sebagai sebahagian daripada peralihan yang lebih luas ke arah pembersihan kitaran hasil bahagian hadapan. Apabila anda menggabungkan penapisan AI dengan pengesahan kelayakan automatik dan semakan kebenaran masa nyata, anda menangani masalah penolakan pada akarnya dan bukannya mengejarnya selepas ia berlaku.