मेडिकल कोडिंग सटीकता: जहाँ AI वो पकड़ता है जो मानव कोडर्स चूक जाते हैं

95% सटीकता पर काम करने वाले अनुभवी मेडिकल कोडर्स भी हर 20 में से 1 क्लेम में त्रुटि करते हैं। प्रति सप्ताह 2,000 क्लेम प्रोसेस करने वाली सुविधा में, यह 100 कोडिंग त्रुटियाँ हैं जो बाहर जा रही हैं, जिनमें से प्रत्येक एक संभावित अस्वीकृति, ऑडिट ट्रिगर, या अनुपालन जोखिम है। दिलचस्प सवाल यह नहीं है कि मनुष्य गलतियाँ करते हैं या नहीं। सवाल यह है कि वे कहाँ गलतियाँ करते हैं, और क्या AI उन विशिष्ट विफलता पैटर्न को विश्वसनीय रूप से पकड़ सकता है।

विशिष्टता की समस्या

ICD-10 में लगभग 72,000 निदान कोड हैं। ICD-10-PCS में अतिरिक्त 78,000 प्रक्रिया कोड जुड़ते हैं। यह प्रणाली असाधारण विशिष्टता की माँग करती है, और विशिष्टता वह क्षेत्र है जहाँ मानव कोडर्स सबसे अधिक चूकते हैं। इसलिए नहीं कि उनमें ज्ञान की कमी है, बल्कि इसलिए कि समय का दबाव उन्हें सबसे सटीक कोड के बजाय परिचित कोड की ओर धकेलता है।

एक सामान्य उदाहरण: एक चिकित्सक अपने नोट में दाएँ घुटने के ऑस्टियोआर्थराइटिस का दस्तावेज़ीकरण करता है। समय के दबाव में एक कोडर M17.11 (प्राथमिक ऑस्टियोआर्थराइटिस, दायाँ घुटना) असाइन कर सकता है। लेकिन अगर नोट में यह भी उल्लेख है कि रोगी का उस घुटने पर पहले मेनिसेक्टॉमी हो चुकी है, तो अधिक सटीक कोड M17.31 (अन्य द्वितीयक ऑस्टियोआर्थराइटिस, दायाँ घुटना) होगा। यह अंतर प्रतिपूर्ति के लिए मायने रखता है, और यह जनसंख्या स्वास्थ्य विश्लेषण में डेटा गुणवत्ता के लिए भी मायने रखता है।

AI कोडिंग टूल्स पूरे क्लिनिकल दस्तावेज़ को पढ़ते हैं और केवल प्राथमिक निदान पंक्ति के बजाय पूर्ण संदर्भ के आधार पर कोड सुझाते हैं। वे इन विशिष्टता अंतरालों को पकड़ने में विशेष रूप से अच्छे हैं क्योंकि वे एक नोट में हर जानकारी को एक साथ क्रॉस-रेफरेंस कर सकते हैं, जो एक मानव कोडर को काफी अधिक समय लेता है।

अनबंडलिंग और मॉडिफायर त्रुटियाँ

NCCI एडिट्स, वे नियम जो यह निर्धारित करते हैं कि कौन से प्रक्रिया कोड एक साथ बिल किए जा सकते हैं और कौन से नहीं, तिमाही आधार पर बदलते हैं। वर्तमान NCCI तालिकाओं में 3.4 मिलियन से अधिक कोड-पेयर एडिट्स हैं। कोई भी मनुष्य इन्हें याद नहीं रख सकता, और जबकि कोडिंग सॉफ़्टवेयर स्पष्ट बंडलिंग विरोधों की जाँच करता है, AI क्लिनिकल संदर्भ को समझकर आगे जाता है।

एक सर्जिकल केस पर विचार करें जहाँ एक जनरल सर्जन एक ही सत्र में कोलेसिस्टेक्टॉमी और हर्निया रिपेयर दोनों करता है। कोड स्वाभाविक रूप से बंडल नहीं हैं, लेकिन पेयर और क्लिनिकल परिस्थितियों के आधार पर कुछ मॉडिफायर संयोजन आवश्यक हैं। AI ऑपरेटिव नोट का विश्लेषण करता है, अलग-अलग प्रक्रियाओं की पहचान करता है, और सर्जन ने अलग-अलग चीरों और क्लिनिकल निर्णय-प्रक्रिया का दस्तावेज़ीकरण कैसे किया है, इसके आधार पर सही मॉडिफायर असाइनमेंट सुझाता है।

टेक्सास में एक मल्टी-स्पेशलिटी ग्रुप ने बताया कि AI-सहायता प्राप्त कोडिंग ने छह महीने के पायलट के दौरान उनके सर्जिकल क्लेम्स में से 8% पर मॉडिफायर त्रुटियाँ पकड़ीं। ये यादृच्छिक त्रुटियाँ नहीं थीं। ये विशिष्ट प्रक्रिया श्रेणियों में केंद्रित थीं जहाँ NCCI एडिट्स हाल ही में बदले थे और कोडिंग टीम ने अपडेट पूरी तरह से आत्मसात नहीं किए थे।

लैटरैलिटी और शरीर स्थल विशिष्टता

ICD-10 कई निदान कोड के लिए लैटरैलिटी (बायाँ, दायाँ, द्विपक्षीय) की आवश्यकता रखता है, और ऑर्थोपेडिक और मस्कुलोस्केलेटल स्थितियों के लिए शरीर स्थल विशिष्टता की। लापता लैटरैलिटी क्लेम अस्वीकृति के शीर्ष कारणों में से एक है, और जब एक चिकित्सक का नोट बिना यह बताए कि कौन सा पक्ष है, कंधे में दर्द कहता है, तो इसे अनदेखा करना सबसे आसान चीज़ों में से एक है।

AI टूल्स पूरे रिकॉर्ड को लैटरैलिटी सुरागों के लिए स्कैन करके इसे संभालते हैं। भले ही मूल्यांकन अनुभाग बिना पक्ष निर्दिष्ट किए कंधे में दर्द कहता हो, AI को HPI में रोगी बाएँ हाथ से ऊपर पहुँचने में कठिनाई बताता है, या शारीरिक परीक्षा में बाएँ एक्रोमियोक्लेविकुलर जोड़ पर स्पर्श करने पर दर्द मिल सकता है। यह दस्तावेज़ीकरण में जहाँ भी लैटरैलिटी दिखाई देती है, वहाँ से उसे निकालता है।

AI कोडिंग सहायता व्यवहार में वास्तव में कैसे काम करती है

अधिकांश AI कोडिंग टूल्स दो मोड में से एक में काम करते हैं। पहले में, वे रियल-टाइम सहायक के रूप में कार्य करते हैं, जब कोडर प्रत्येक चार्ट की समीक्षा करता है तो कोड सुझाते हैं। कोडर अपने स्वयं के चयनों के साथ AI सुझाव देखता है और उन्हें स्वीकार, संशोधित या ओवरराइड कर सकता है। यह मोड उन सुविधाओं में अच्छा काम करता है जहाँ कोडर्स नियंत्रण बनाए रखना और AI सुझावों से सीखना चाहते हैं।

दूसरे मोड में, AI स्वायत्त रूप से प्रारंभिक कोड असाइनमेंट संभालता है, और मानव कोडर्स सटीकता के लिए आउटपुट की समीक्षा करते हैं। इसे कभी-कभी कंप्यूटर-सहायता प्राप्त कोडिंग या CAC कहा जाता है, और यह पारंपरिक वर्कफ़्लो को उलट देता है। कोडर्स द्वारा नोट्स पढ़ने और शुरू से कोड चुनने के बजाय, वे दस्तावेज़ीकरण के विरुद्ध AI-जनित कोड की समीक्षा करते हैं। 3M और Optum के अध्ययनों से पता चलता है कि यह दृष्टिकोण सटीकता बनाए रखते या सुधारते हुए कोडर उत्पादकता को 20% से 30% तक बढ़ा सकता है।

सटीकता में सुधार एक प्रतिकूल-सहज स्थान से आता है। मनुष्य वास्तव में शुरू से उत्पन्न करने की तुलना में समीक्षा और सत्यापन में बेहतर हैं, विशेष रूप से थकान के दौरान। अपनी शिफ्ट के छठे घंटे में एक कोडर खाली स्लेट से कोडिंग करते समय विशिष्टता विवरण चूकने की अधिक संभावना रखता है, बजाय एक पूर्व-भरे सुझाव की समीक्षा करने के जिसे वे जल्दी से पुष्टि या सही कर सकते हैं।

ऑडिट जोखिम में कमी

कोडिंग सटीकता केवल स्वच्छ क्लेम्स के बारे में नहीं है। यह ऑडिट तैयारी के बारे में है। OIG कार्य योजनाएँ लगातार मूल्यांकन और प्रबंधन सेवाओं में अपकोडिंग को लक्षित करती हैं, और RAC ऑडिटर्स ओवर-कोडिंग के पैटर्न की तलाश करते हैं जो कभी-कभार की त्रुटियों के बजाय व्यवस्थित समस्याओं का संकेत देते हैं।

AI टूल्स यह दस्तावेज़ीकरण करके एक स्वाभाविक ऑडिट ट्रेल बनाते हैं कि विशिष्ट कोड क्यों सुझाए गए, जो क्लिनिकल दस्तावेज़ीकरण में उन विशिष्ट वाक्यांशों से जुड़े होते हैं जो प्रत्येक कोड का समर्थन करते हैं। जब कोई ऑडिटर पूछता है कि लेवल-5 E/M विज़िट क्यों बिल की गई, तो प्रैक्टिस AI विश्लेषण की ओर इशारा कर सकती है जो दिखाता है कि कौन से दस्तावेज़ीकरण तत्वों ने उस जटिलता स्तर का समर्थन किया। हेल्थकेयर AI प्लेटफ़ॉर्म जिनमें इस प्रकार का अंतर्निहित ऑडिट समर्थन होता है, अनुपालन अधिकारियों को उनकी कोडिंग सटीकता में काफी अधिक विश्वास देते हैं।

AI क्या प्रतिस्थापित नहीं करता

AI कोडिंग टूल्स प्रमाणित कोडर्स को प्रतिस्थापित नहीं कर रहे हैं। वे बदल रहे हैं कि कोडर्स अपना समय किस पर खर्च करते हैं। उन सीधे-सादे मामलों को पीसने के बजाय जिन्हें AI 98% सटीकता से संभालता है, अनुभवी कोडर्स जटिल बहु-प्रक्रिया मामलों, असामान्य निदानों, और उन क्लिनिकल परिदृश्यों पर ध्यान केंद्रित करते हैं जहाँ AI विश्वास स्कोर कम होते हैं।

AI सहायता के साथ सफल होने वाले कोडर्स वे होते हैं जो इसे अपनी भूमिका को खतरा मानने के बजाय अपनी विशेषज्ञता को बढ़ाने वाला मानते हैं। वे समय की बचत का उपयोग जटिल मामलों में गहराई से जाने, दस्तावेज़ीकरण सुधार के अवसरों को पकड़ने, और अपनी टीमों के भीतर कोडर शिक्षा में योगदान देने के लिए करते हैं।

AI-सहायता प्राप्त और बिना सहायता वाली कोडिंग के बीच सटीकता का अंतर संभवतः बढ़ेगा क्योंकि AI सिस्टम अधिक प्रशिक्षण डेटा और पेयर-विशिष्ट अस्वीकृति पैटर्न संचित करते हैं। जो सुविधाएँ अभी इन टूल्स को अपनाती हैं, वे एक डेटा लाभ बना रही हैं जो समय के साथ बढ़ता है, क्योंकि उनका AI उनके विशिष्ट दस्तावेज़ीकरण पैटर्न, पेयर मिक्स, और स्पेशलिटी प्रोफ़ाइल से सीखता है।