Yapay Zeka Talep Ret Oranlarını %12'den %4'ün Altına Nasıl Düşürüyor?

%12'lik bir talep ret oranı, hesabı yapana kadar yönetilebilir görünür. Yıllık 5 milyon dolar fatura kesen orta ölçekli bir klinik için bu, 600.000 dolarlık talebin geri dönmesi demektir ve her biri yeniden işlenmek, yeniden gönderilmek ve takip edilmek için personel zamanı gerektirir. Gerçek maliyet sadece reddedilen tutar değildir. Yeniden işlenen talep başına 15 ila 25 dakikalık personel emeğinin binlerce başvuru üzerinden çarpılmasıdır.

Retler Aslında Nereden Kaynaklanıyor?

Advisory Board, yüzlerce hastanedeki ret nedenlerini takip ediyor ve dağılım şaşırtıcı derecede tutarlı. Retlerin yaklaşık %27'si kayıt ve uygunluk sorunlarından kaynaklanıyor; yani hizmet verilmeden önce hastanın sigortası düzgün şekilde doğrulanmamış oluyor. Diğer %19'u eksik veya geçersiz talep verilerinden geliyor; yanlış değiştirici kodlar, uyumsuz tanı-prosedür eşleştirmeleri veya eksik demografik alanlar gibi şeyler. Yetkilendirmeyle ilgili retler yaklaşık %12'yi, tıbbi gereklilik retleri ise yaklaşık %10'u oluşturuyor.

Dikkat çeken şey, bunların büyük çoğunluğunun, yani %60 ile %70 arasının önlenebilir olmasıdır. Bunlar bakımın uygun olup olmadığına dair anlaşmazlıklar değildir. Evrak sorunlarıdır. Veri girişi eksiklikleridir. Birinin bakacak zamanı olsa ikinci bir çift gözün yakalayacağı şeylerdir.

Yapay Zeka Talep Taraması Nasıl Çalışır?

Yapay zeka tabanlı talep taraması, EHR veya klinik yönetim sisteminiz ile takas merkezi arasında konumlanır. Bir talep dışarı gönderilmeden önce sistem, geleneksel kural tabanlı tarayıcıların ötesine geçen bir dizi kontrolden geçirir.

Geleneksel tarayıcılar bariz hataları kontrol eder: Geçerli bir NPI var mı? CPT kodu mevcut mu? Hizmet tarihi makul bir aralıkta mı? Yapay zeka tarayıcıları tüm bunları yapar, artı kalıpları analiz eder. Kliniğinizin özel ret geçmişinden öğrenir ve daha önce reddedilmiş başvuruların profillerine uyan talepleri işaretler.

Örneğin, kliniğinizin belirli bir ödeyici için CPT 99214'ü ICD-10 kodu M54.5 ile faturalandırırken sürekli ret aldığını varsayalım. Kural tabanlı bir tarayıcı bunu işaretlemez çünkü teknik olarak her iki kod da geçerlidir. Yapay zeka sistemi 30 veya 40 ret gördükten sonra kalıbı fark eder ve benzer talepleri göndermeden önce inceleme için işaretlemeye başlar.

İyileşmenin Arkasındaki Rakamlar

Olive AI, 900'den fazla hastanedeki uygulamalardan elde edilen verileri yayınladı ve ret önleme oranlarının ilk altı ay içinde %30 ile %50 arasında iyileştiğini gösterdi. Özellikle gelir döngüsü yapay zekasına odaklanan AKASA, müşterilerinin ilk geçiş talep kabul oranlarının tipik %88 civarındaki başlangıç seviyelerinden %96'nın üzerine çıktığını bildiriyor.

12 kliniği olan Ortabatı'daki bir toplum sağlık sistemi, deneyimlerini HFMA'nın yıllık konferansında paylaştı. Yapay zeka destekli talep incelemesini uyguladıktan sonra ret oranları sekiz ay içinde %11,8'den %3,6'ya düştü. Temel faktörler, talep gönderiminden önce uygunluk doğrulama boşluklarını yakalamak ve kodlayıcılarının sürekli olarak kaçırdığı cerrahi taleplerdeki değiştirici hatalarını tespit etmekti.

Mali etki önemliydi. İlk yılda 1,2 milyon dolarlık kurtarılmış gelir tahmin ettiler; bu eski retlerden tahsilat yaparak değil, yenilerini önleyerek elde edildi. Zamanının %60'ını ret takibine harcayan personel, hasta mali danışmanlığı ve ödeme planı oluşturma görevlerine yeniden atandı.

Yapay Zeka Aslında Neleri Yakalar?

En etkili yakalamalar birkaç kategoriye ayrılma eğilimindedir. Birincisi, ödeyiciye özel kodlama tercihleri. Medicare'in kabul ettiği belirli bir tanı-prosedür kombinasyonunu Blue Cross bölgenizde sürekli reddedebilir. Yapay zeka bu ödeyiciye özel farklılıkları öğrenir.

İkincisi, dokümantasyon boşlukları. Seviye-4 E/M ziyareti için bir talep gönderildiğinde ancak ilişkili not bu karmaşıklık düzeyini desteklemediğinde, yapay zeka uyumsuzluğu işaretler. Bu sadece kodların geçerli olup olmadığını kontrol etmekten farklıdır. Kodların anlattığı hikayenin dokümantasyonun anlattığı hikayeyle eşleşip eşleşmediğini kontrol etmektir.

Üçüncüsü, yetkilendirme zamanlaması. Ön yetkilendirme alınmış ancak hizmet tarihi yetkilendirilmiş sürenin dışına düşüyorsa, yapay zeka bunu talep gönderilmeden önce yakalar. Tek başına bu, yüksek cerrahi hacimli kliniklerde retlerin %3 ile %5'ini önleyebilir.

Dördüncüsü, yardım koordinasyonu sorunları. Bir hastanın birden fazla sigorta planı olduğunda, birincil ve ikincil ödeyici sırasını yanlış yapmak garantili bir rettir. Yapay zeka, olası COB sorunlarını işaretlemek için uygunluk verilerini çapraz referanslar.

Uygulama Gerçekleri

%12'lik ret oranından %4'ün altına inmek bir gecede gerçekleşmez ve sadece yazılım kurarak da olmaz. Yapay zekanın sizin özel kliniğinizden, ödeyici karmanızdan ve ret geçmişinizden eğitim verilerine ihtiyacı vardır. Çoğu uygulama 90 gün içinde anlamlı iyileşme gösterir, ancak sistem kliniğe özel tahminler yapabilmek için yeterli veri biriktirdikçe tam etki altı ila dokuz ay sürer.

Entegrasyon diğer zorluktur. Yapay zekanın klinik yönetim sisteminize, uygunluk doğrulama verilerine ve ideal olarak EHR dokümantasyonunuza gerçek zamanlı erişime ihtiyacı vardır. Bu sistemler birbirleriyle düzgün iletişim kurmuyorsa, yapay zeka eksik bilgilerle çalışır. Bu veri akışlarını birleştiren sağlık operasyonları platformları, yapay zeka katmanını önemli ölçüde daha etkili hale getirir.

Personel desteği de önemlidir. Bu işi 20 yıldır yapan kodlayıcılar ve faturacılar, yazılım başvurularını işaretlemeye başladığında bazen direnç gösterir. Bunu bir değiştirme yerine güvenlik ağı olarak çerçevelemek yardımcı olur. En iyi uygulamalar, yapay zekayı insanların günün 150. talebini işlerken ve yorgunluk başladığında meydana gelen hataları yakalayan bir araç olarak konumlandırır.

Bu Küçük Klinikler İçin Ne Anlama Geliyor?

Yapay zeka talep taraması eskiden altı haneli uygulama maliyetleriyle yalnızca büyük kuruluşlara yönelik bir teknolojiydi. Bu değişti. Birçok satıcı artık talep başına veya sağlayıcı başına aylık fiyatlandırılan bulut tabanlı çözümler sunuyor ve teknolojiyi üç veya dört sağlayıcılı kliniklerin bile erişimine açıyor.

Küçük klinikler için yatırım getirisi hesaplaması aslında daha avantajlıdır çünkü reddedilen her talep toplam gelirin daha büyük bir yüzdesini temsil eder ve genellikle retlerle ilgilenecek daha az personelleri vardır. Yıllık 1,5 milyon dolar fatura kesen ve %10 ret oranından %4'e geçen bir solo ortopedi cerrahı yılda 90.000 dolar kurtarır. Aylık 500 ile 800 dolar arasındaki yazılım maliyetine karşı hesap oldukça nettir.

En iyi sonuçları alan klinikler, yapay zeka talep taramasını kur-ve-unut aracı olarak değil, ön uç gelir döngüsü temizliğine yönelik daha geniş bir dönüşümün parçası olarak ele alanlardır. Yapay zeka taramasını otomatik uygunluk doğrulama ve gerçek zamanlı yetkilendirme kontrolüyle birleştirdiğinizde, ret sorununu sonradan kovalamak yerine kökünden çözersiniz.