دقة الترميز الطبي: حيث يكتشف الذكاء الاصطناعي ما يفوت المرمّزين البشريين
حتى المرمّزون الطبيون ذوو الخبرة الذين يعملون بدقة تصل إلى 95% لا يزالون ينتجون أخطاء في مطالبة واحدة من كل 20 مطالبة. في منشأة تعالج 2,000 مطالبة أسبوعياً، يعني ذلك 100 خطأ ترميز يخرج من الباب، وكل خطأ منها يمثل رفضاً محتملاً أو محفزاً للتدقيق أو خطراً على الامتثال. السؤال المثير للاهتمام ليس ما إذا كان البشر يرتكبون أخطاء، بل أين يرتكبونها، وما إذا كان الذكاء الاصطناعي قادراً على اكتشاف أنماط الفشل المحددة هذه بشكل موثوق.
مشكلة التحديد الدقيق
يحتوي نظام ICD-10 على ما يقارب 72,000 رمز تشخيصي. ويضيف نظام ICD-10-PCS حوالي 78,000 رمز إجراء آخر. يتطلب النظام تحديداً دقيقاً استثنائياً، والتحديد الدقيق هو المجال الذي يقصّر فيه المرمّزون البشريون في أغلب الأحيان. ليس لأنهم يفتقرون إلى المعرفة، ولكن لأن ضغط الوقت يدفعهم نحو الرموز المألوفة بدلاً من الأكثر دقة.
مثال شائع: يوثّق الطبيب في ملاحظاته التهاب مفصل الركبة اليمنى التنكسي. قد يقوم المرمّز تحت ضغط الوقت بتعيين الرمز M17.11 (التهاب المفصل التنكسي الأولي، الركبة اليمنى). لكن إذا ذكرت الملاحظة أيضاً أن المريض خضع سابقاً لعملية استئصال الغضروف الهلالي في تلك الركبة، فإن الرمز الأكثر دقة سيكون M17.31 (التهاب المفصل التنكسي الثانوي الآخر، الركبة اليمنى). يهم هذا الفرق من حيث التعويض المالي، ويهم أيضاً لجودة البيانات في تحليلات صحة السكان.
تقرأ أدوات الترميز بالذكاء الاصطناعي الوثيقة السريرية بالكامل وتقترح الرموز بناءً على السياق الكامل، وليس فقط سطر التشخيص الرئيسي. وهي جيدة بشكل خاص في اكتشاف فجوات التحديد الدقيق هذه لأنها تستطيع مقارنة كل معلومة في الملاحظة في وقت واحد، وهو أمر يستغرق من المرمّز البشري وقتاً أطول بكثير.
أخطاء فك التجميع والمعدّلات
تتغير تعديلات NCCI، وهي القواعد التي تحكم رموز الإجراءات التي يمكن ولا يمكن فوترتها معاً، كل ربع سنة. هناك أكثر من 3.4 مليون تعديل لأزواج الرموز في جداول NCCI الحالية. لا يمكن لأي إنسان حفظها جميعاً، وبينما تتحقق برامج الترميز من تعارضات التجميع الواضحة، يذهب الذكاء الاصطناعي أبعد من ذلك من خلال فهم السياق السريري.
لنأخذ حالة جراحية حيث يقوم جراح عام بإجراء استئصال المرارة وإصلاح الفتق خلال نفس الجلسة. الرموز ليست مجمّعة بطبيعتها، لكن مجموعات معدّلات معينة مطلوبة حسب الجهة الدافعة والظروف السريرية. يحلل الذكاء الاصطناعي تقرير العملية، ويحدد الإجراءات المنفصلة، ويقترح تعيينات المعدّلات الصحيحة بناءً على كيفية توثيق الجراح للشقوق المنفصلة واتخاذ القرار السريري.
أفادت مجموعة متعددة التخصصات في تكساس أن الترميز بمساعدة الذكاء الاصطناعي اكتشف أخطاء المعدّلات في 8% من مطالباتهم الجراحية خلال تجربة استمرت ستة أشهر. لم تكن هذه أخطاء عشوائية، بل كانت مركّزة في فئات إجراءات محددة حيث تغيرت تعديلات NCCI مؤخراً ولم يستوعب فريق الترميز التحديثات بالكامل.
الجانبية وتحديد موقع الجسم
يتطلب نظام ICD-10 تحديد الجانبية (يسار، يمين، ثنائي) للعديد من رموز التشخيص، وتحديد موقع الجسم بدقة لحالات العظام والجهاز العضلي الهيكلي. يُعد فقدان الجانبية أحد أهم أسباب رفض المطالبات، وهو من أسهل الأشياء التي يمكن التغاضي عنها عندما تذكر ملاحظة الطبيب ألم في الكتف دون تحديد أي جانب.
تتعامل أدوات الذكاء الاصطناعي مع هذا من خلال مسح السجل بالكامل بحثاً عن دلائل الجانبية. حتى لو ذكر قسم التقييم ألم في الكتف دون تحديد الجانب، فقد يجد الذكاء الاصطناعي عبارة المريض يبلغ عن صعوبة في رفع الذراع اليسرى فوق الرأس في تاريخ المرض الحالي، أو إيلام عند الجس فوق المفصل الأخرمي الترقوي الأيسر في الفحص البدني. يستخلص الجانبية من أي مكان تظهر فيه في التوثيق.
كيف تعمل مساعدة الترميز بالذكاء الاصطناعي فعلياً في الممارسة العملية
تعمل معظم أدوات الترميز بالذكاء الاصطناعي في أحد وضعين. في الأول، تعمل كمساعد فوري، تقترح الرموز أثناء مراجعة المرمّز لكل ملف. يرى المرمّز اقتراحات الذكاء الاصطناعي إلى جانب اختياراته ويمكنه قبولها أو تعديلها أو تجاوزها. يعمل هذا الوضع بشكل جيد في المنشآت التي يرغب فيها المرمّزون في الحفاظ على السيطرة والتعلم من اقتراحات الذكاء الاصطناعي.
في الوضع الثاني، يتولى الذكاء الاصطناعي تعيين الرموز الأولي بشكل مستقل، ويراجع المرمّزون البشريون المخرجات للتحقق من الدقة. يُسمى هذا أحياناً الترميز بمساعدة الحاسوب أو CAC، وهو يقلب سير العمل التقليدي. بدلاً من قراءة المرمّزين للملاحظات واختيار الرموز من الصفر، يراجعون الرموز التي أنشأها الذكاء الاصطناعي مقابل التوثيق. تشير دراسات من 3M وOptum إلى أن هذا النهج يمكن أن يزيد إنتاجية المرمّز بنسبة 20% إلى 30% مع الحفاظ على الدقة أو تحسينها.
يأتي تحسين الدقة من مكان غير متوقع. البشر في الواقع أفضل في المراجعة والتحقق من صحة النتائج مقارنة بالإنشاء من الصفر، خاصة تحت تأثير الإرهاق. المرمّز في الساعة السادسة من نوبته أكثر عرضة لتفويت تفاصيل التحديد الدقيق عند الترميز من صفحة فارغة مقارنة بمراجعة اقتراح مُعبّأ مسبقاً يمكنه تأكيده أو تصحيحه بسرعة.
تقليل مخاطر التدقيق
دقة الترميز لا تتعلق فقط بالمطالبات النظيفة، بل تتعلق بالاستعداد للتدقيق. تستهدف خطط عمل OIG باستمرار الترميز المبالغ فيه في خدمات التقييم والإدارة، ويبحث مدققو RAC عن أنماط الترميز الزائد التي تشير إلى مشاكل منهجية بدلاً من أخطاء عرضية.
تنشئ أدوات الذكاء الاصطناعي مساراً طبيعياً للتدقيق من خلال توثيق سبب اقتراح رموز محددة، مرتبطة بالعبارات المحددة في التوثيق السريري التي تدعم كل رمز. عندما يسأل المدقق عن سبب فوترة زيارة E/M من المستوى الخامس، يمكن للممارسة الإشارة إلى تحليل الذكاء الاصطناعي الذي يوضح بالضبط عناصر التوثيق التي دعمت مستوى التعقيد ذاك. منصات الذكاء الاصطناعي للرعاية الصحية التي تتضمن هذا النوع من دعم التدقيق المدمج تمنح مسؤولي الامتثال ثقة أكبر بكثير في دقة الترميز لديهم.
ما لا يستبدله الذكاء الاصطناعي
أدوات الترميز بالذكاء الاصطناعي لا تستبدل المرمّزين المعتمدين، بل تغيّر ما يقضي المرمّزون وقتهم فيه. بدلاً من العمل المتواصل على الحالات البسيطة التي يتعامل معها الذكاء الاصطناعي بدقة 98%، يركز المرمّزون ذوو الخبرة على الحالات المعقدة متعددة الإجراءات والتشخيصات غير المعتادة والسيناريوهات السريرية التي تكون فيها درجات ثقة الذكاء الاصطناعي أقل.
المرمّزون الذين يزدهرون مع مساعدة الذكاء الاصطناعي يميلون إلى أن يكونوا أولئك الذين يرونه كأداة تعزز خبرتهم بدلاً من تهديد دورهم. يستخدمون الوقت الموفّر للتعمق أكثر في الحالات المعقدة، واكتشاف فرص تحسين التوثيق، والمساهمة في تعليم المرمّزين داخل فرقهم.
من المرجح أن تتسع فجوة الدقة بين الترميز بمساعدة الذكاء الاصطناعي والترميز بدونه مع تراكم المزيد من بيانات التدريب وأنماط الرفض الخاصة بكل جهة دافعة لدى أنظمة الذكاء الاصطناعي. المنشآت التي تتبنى هذه الأدوات الآن تبني ميزة بيانات تتراكم بمرور الوقت، لأن ذكاءها الاصطناعي يتعلم من أنماط التوثيق الخاصة بها ومزيج الجهات الدافعة وملف التخصص الخاص بها.