Hoe AI het percentage afgewezen declaraties terugbrengt van 12% naar minder dan 4%

Een afwijzingspercentage van 12% op declaraties klinkt beheersbaar, totdat je de berekening maakt. Voor een middelgrote praktijk die jaarlijks $5 miljoen factureert, betekent dat $600.000 aan declaraties die terugkomen, waarbij elke declaratie personeelstijd vereist om te herbewerken, opnieuw in te dienen en op te volgen. De werkelijke kosten zijn niet alleen het afgewezen bedrag. Het zijn de 15 tot 25 minuten personeelsinzet per herbewerkte declaratie, vermenigvuldigd over duizenden indieningen.

Waar afwijzingen werkelijk vandaan komen

De Advisory Board volgt afwijzingsredenen bij honderden ziekenhuizen, en de verdeling is verrassend consistent. Ongeveer 27% van de afwijzingen komt voort uit registratie- en verzekeringsgeschiktheidsproblemen, wat betekent dat de dekking van de patiënt niet goed was geverifieerd voordat de zorg werd verleend. Nog eens 19% komt door ontbrekende of ongeldige declaratiegegevens, zoals verkeerde modificatorcodes, niet-overeenkomende diagnose-procedure-combinaties of onvolledige demografische velden. Autorisatiegerelateerde afwijzingen vormen ongeveer 12%, en afwijzingen wegens medische noodzaak liggen rond de 10%.

Wat opvalt is dat de overgrote meerderheid hiervan, ergens tussen de 60% en 70%, te voorkomen is. Het zijn geen geschillen over de vraag of de zorg gepast was. Het zijn papierwerk-problemen. Hiaten in gegevensinvoer. Dingen die een tweede paar ogen zou opvangen als iemand de tijd had om te kijken.

Hoe AI-declaratiescreening werkt

AI-gebaseerde declaratiescreening zit tussen uw EPD of praktijkbeheersysteem en het clearinghouse. Voordat een declaratie de deur uitgaat, doorloopt het systeem een reeks controles die veel verder gaan dan wat traditionele regelgebaseerde scrubbers aankunnen.

Traditionele scrubbers controleren op voor de hand liggende fouten: Is er een geldig NPI? Bestaat de CPT-code? Valt de datum van dienstverlening binnen een redelijk bereik? AI-scrubbers doen dat allemaal, plus ze analyseren patronen. Ze leren van de specifieke afwijzingsgeschiedenis van uw praktijk en markeren declaraties die overeenkomen met profielen van eerder afgewezen indieningen.

Stel bijvoorbeeld dat uw praktijk consequent afwijzingen krijgt bij het factureren van CPT 99214 met ICD-10-code M54.5 voor een bepaalde verzekeraar. Een regelgebaseerde scrubber zal dat niet markeren omdat technisch gezien beide codes geldig zijn. Een AI-systeem herkent het patroon na 30 of 40 afwijzingen en begint vergelijkbare declaraties te markeren voor beoordeling vóór indiening.

De cijfers achter de verbetering

Olive AI publiceerde gegevens van implementaties bij meer dan 900 ziekenhuizen die lieten zien dat afwijzingspreventiepercentages met 30% tot 50% verbeterden binnen de eerste zes maanden. AKASA, dat zich specifiek richt op AI voor de inkomstencyclus, rapporteert dat hun klanten first-pass acceptatiepercentages boven de 96% zien, omhoog van typische basislijnen rond de 88%.

Een gemeenschapsgezondheidssysteem in het Midwesten met 12 klinieken deelde hun ervaring op de jaarlijkse conferentie van HFMA. Hun afwijzingspercentage daalde van 11,8% naar 3,6% over acht maanden na implementatie van AI-ondersteunde declaratiebeoordeling. De belangrijkste factoren waren het opvangen van hiaten in verzekeringsgeschiktheidsverificatie vóór indiening van declaraties en het identificeren van modificatorfouten bij chirurgische declaraties die hun codeurs consequent misten.

De financiële impact was aanzienlijk. Ze schatten $1,2 miljoen aan herstelde inkomsten gedurende het eerste jaar, niet door het innen van oude afwijzingen, maar door het voorkomen van nieuwe. Medewerkers die voorheen 60% van hun tijd besteedden aan het opvolgen van afwijzingen werden herplaatst naar financieel patiëntenadvies en het opzetten van betalingsregelingen.

Wat de AI daadwerkelijk opvangt

De meest impactvolle vangsten vallen doorgaans in een paar categorieën. Ten eerste, verzekeraarspecifieke coderingsvoorkeuren. Medicare accepteert mogelijk een bepaalde diagnose-procedure-combinatie die Blue Cross in uw regio consequent afwijst. AI leert deze verzekeraarspecifieke eigenaardigheden.

Ten tweede, documentatiehiaten. Wanneer een declaratie wordt ingediend voor een niveau-4 E/M-consult maar de bijbehorende notitie dat complexiteitsniveau niet ondersteunt, markeert AI de discrepantie. Dit is anders dan alleen controleren of codes geldig zijn. Het controleert of het verhaal dat de codes vertellen overeenkomt met het verhaal dat de documentatie vertelt.

Ten derde, autorisatietiming. Als een voorafgaande autorisatie is verkregen maar de datum van dienstverlening buiten het geautoriseerde venster valt, vangt AI dat op voordat de declaratie wordt verzonden. Dit alleen al kan 3% tot 5% van de afwijzingen voorkomen bij praktijken met hoge chirurgische volumes.

Ten vierde, coördinatie van uitkeringsproblemen. Wanneer een patiënt meerdere verzekeringsplannen heeft, is het verkeerd opgeven van de primaire en secundaire verzekeraarvolgorde een gegarandeerde afwijzing. AI kruisverwijst geschiktheidsgegevens om potentiële COB-problemen te signaleren.

Implementatierealiteiten

Van een afwijzingspercentage van 12% naar minder dan 4% gaan gebeurt niet van de ene op de andere dag, en het gebeurt niet alleen door software aan te sluiten. De AI heeft trainingsgegevens nodig van uw specifieke praktijk, uw verzekeraarmix en uw afwijzingsgeschiedenis. De meeste implementaties tonen betekenisvolle verbetering binnen 90 dagen, maar het volledige effect duurt zes tot negen maanden naarmate het systeem voldoende gegevens verzamelt om praktijkspecifieke voorspellingen te doen.

Integratie is de andere uitdaging. De AI heeft realtime toegang nodig tot uw PM-systeem, verzekeringsgeschiktheidsverificatiegegevens en idealiter uw EPD-documentatie. Als die systemen niet goed met elkaar communiceren, werkt de AI met onvolledige informatie. Platforms voor zorgoperaties die deze gegevensstromen consolideren, maken de AI-laag aanzienlijk effectiever.

Draagvlak bij het personeel is ook belangrijk. Codeurs en factureerders die dit werk al 20 jaar doen, verzetten zich soms wanneer software hun indieningen begint te markeren. Het framen als vangnet in plaats van vervanging helpt. De beste implementaties positioneren AI als het opvangen van fouten die ontstaan wanneer mensen hun 150e declaratie van de dag verwerken en vermoeidheid toeslaat.

Wat dit betekent voor kleine praktijken

AI-declaratiescreening was voorheen enterprise-only technologie met implementatiekosten van zes cijfers. Dat is veranderd. Verschillende leveranciers bieden nu cloudgebaseerde oplossingen aan die per declaratie of per aanbieder per maand worden geprijsd, waardoor de technologie binnen bereik komt van praktijken met slechts drie of vier zorgverleners.

Voor kleine praktijken is de ROI-berekening eigenlijk gunstiger omdat elke afgewezen declaratie een groter percentage van de totale inkomsten vertegenwoordigt, en ze doorgaans minder personeel beschikbaar hebben om afwijzingen te bewerken. Een solo orthopedisch chirurg die jaarlijks $1,5 miljoen factureert en van 10% afwijzingen naar 4% gaat, herstelt $90.000 per jaar. Tegenover softwarekosten van $500 tot $800 per maand is de berekening eenvoudig.

De praktijken die de beste resultaten zien, behandelen AI-declaratiescreening niet als een stel-het-in-en-vergeet-het-tool, maar als onderdeel van een bredere verschuiving naar opschoning van de inkomstencyclus aan de voorkant. Wanneer u AI-screening combineert met geautomatiseerde verzekeringsgeschiktheidsverificatie en realtime autorisatiecontrole, pakt u het afwijzingsprobleem bij de wortel aan in plaats van het achteraf na te jagen.