Akurasi Pengkodean Medis: Di Mana AI Menangkap Apa yang Terlewat oleh Koder Manusia

Bahkan koder medis berpengalaman yang beroperasi dengan akurasi 95% masih menghasilkan kesalahan pada 1 dari 20 klaim. Di fasilitas yang memproses 2.000 klaim per minggu, itu berarti 100 kesalahan pengkodean yang keluar, masing-masing berpotensi menjadi penolakan, pemicu audit, atau risiko kepatuhan. Pertanyaan menariknya bukan apakah manusia membuat kesalahan. Melainkan di mana mereka membuatnya, dan apakah AI dapat secara andal menangkap mode kegagalan spesifik tersebut.

Masalah Spesifisitas

ICD-10 memiliki sekitar 72.000 kode diagnosis. ICD-10-PCS menambahkan 78.000 kode prosedur lagi. Sistem ini menuntut spesifisitas yang luar biasa, dan spesifisitas adalah area di mana koder manusia paling sering gagal. Bukan karena mereka kurang pengetahuan, tetapi karena tekanan waktu mendorong mereka ke kode yang familiar daripada yang paling tepat.

Contoh umum: seorang dokter mendokumentasikan osteoartritis lutut kanan dalam catatannya. Seorang koder di bawah tekanan waktu mungkin menetapkan M17.11 (osteoartritis primer, lutut kanan). Tetapi jika catatan tersebut juga menyebutkan bahwa pasien pernah menjalani menisektomi sebelumnya pada lutut tersebut, kode yang lebih akurat adalah M17.31 (osteoartritis sekunder lainnya, lutut kanan). Perbedaannya penting untuk penggantian biaya, dan penting untuk kualitas data dalam analitik kesehatan populasi.

Alat pengkodean AI membaca seluruh dokumen klinis dan menyarankan kode berdasarkan konteks lengkap, bukan hanya baris diagnosis utama. Mereka sangat baik dalam menangkap kesenjangan spesifisitas ini karena dapat mereferensikan silang setiap informasi dalam catatan secara bersamaan, sesuatu yang membutuhkan waktu jauh lebih lama bagi koder manusia.

Kesalahan Unbundling dan Modifier

Edit NCCI, aturan yang mengatur kode prosedur mana yang dapat dan tidak dapat ditagihkan bersamaan, berubah setiap kuartal. Ada lebih dari 3,4 juta edit pasangan kode dalam tabel NCCI saat ini. Tidak ada manusia yang bisa menghafalnya, dan meskipun perangkat lunak pengkodean memeriksa konflik bundling yang jelas, AI melangkah lebih jauh dengan memahami konteks klinis.

Pertimbangkan kasus bedah di mana seorang ahli bedah umum melakukan kolesistektomi dan perbaikan hernia selama sesi yang sama. Kode-kode tersebut tidak secara inheren dibundel, tetapi kombinasi modifier tertentu diperlukan tergantung pada pembayar dan keadaan klinis. AI menganalisis catatan operasi, mengidentifikasi prosedur yang berbeda, dan menyarankan penetapan modifier yang benar berdasarkan bagaimana ahli bedah mendokumentasikan insisi terpisah dan pengambilan keputusan klinis.

Satu grup multi-spesialisasi di Texas melaporkan bahwa pengkodean berbantuan AI menangkap kesalahan modifier pada 8% klaim bedah mereka selama pilot enam bulan. Ini bukan kesalahan acak. Kesalahan tersebut terkonsentrasi pada kategori prosedur spesifik di mana edit NCCI baru-baru ini berubah dan tim pengkodean belum sepenuhnya menyerap pembaruan tersebut.

Lateralitas dan Spesifisitas Lokasi Tubuh

ICD-10 memerlukan lateralitas (kiri, kanan, bilateral) untuk banyak kode diagnosis, dan spesifisitas lokasi tubuh untuk kondisi ortopedi dan muskuloskeletal. Lateralitas yang hilang adalah salah satu alasan utama penolakan klaim, dan merupakan salah satu hal yang paling mudah terlewat ketika catatan dokter menyebutkan nyeri bahu tanpa menentukan sisi mana.

Alat AI menangani ini dengan memindai seluruh rekam medis untuk petunjuk lateralitas. Bahkan jika bagian penilaian menyebutkan nyeri bahu tanpa menentukan sisi, AI mungkin menemukan pasien melaporkan kesulitan mengangkat tangan kiri ke atas di HPI, atau nyeri tekan pada palpasi di atas sendi akromioklavikular kiri di pemeriksaan fisik. AI menarik lateralitas dari mana pun informasi tersebut muncul dalam dokumentasi.

Bagaimana Bantuan Pengkodean AI Sebenarnya Bekerja dalam Praktik

Sebagian besar alat pengkodean AI bekerja dalam salah satu dari dua mode. Pada mode pertama, mereka berfungsi sebagai asisten real-time, menyarankan kode saat koder meninjau setiap rekam medis. Koder melihat saran AI bersama dengan pilihan mereka sendiri dan dapat menerima, memodifikasi, atau menolaknya. Mode ini bekerja dengan baik di fasilitas di mana koder ingin mempertahankan kendali dan belajar dari saran AI.

Pada mode kedua, AI menangani penetapan kode awal secara otonom, dan koder manusia meninjau hasilnya untuk akurasi. Ini kadang disebut computer-assisted coding atau CAC, dan membalikkan alur kerja tradisional. Alih-alih koder membaca catatan dan memilih kode dari awal, mereka meninjau kode yang dihasilkan AI terhadap dokumentasi. Studi dari 3M dan Optum menunjukkan pendekatan ini dapat meningkatkan produktivitas koder sebesar 20% hingga 30% sambil mempertahankan atau meningkatkan akurasi.

Peningkatan akurasi berasal dari tempat yang kontra-intuitif. Manusia sebenarnya lebih baik dalam meninjau dan memvalidasi daripada menghasilkan dari awal, terutama dalam kondisi kelelahan. Seorang koder di jam keenam shift mereka lebih mungkin melewatkan detail spesifisitas saat mengkode dari lembar kosong daripada saat meninjau saran yang sudah terisi yang dapat mereka konfirmasi atau koreksi dengan cepat.

Pengurangan Risiko Audit

Akurasi pengkodean bukan hanya tentang klaim yang bersih. Ini tentang kesiapan audit. Rencana kerja OIG secara konsisten menargetkan upcoding dalam layanan evaluasi dan manajemen, dan auditor RAC mencari pola over-coding yang menunjukkan masalah sistematis daripada kesalahan sesekali.

Alat AI menciptakan jejak audit alami dengan mendokumentasikan mengapa kode tertentu disarankan, ditautkan kembali ke frasa spesifik dalam dokumentasi klinis yang mendukung setiap kode. Ketika auditor bertanya mengapa kunjungan E/M level-5 ditagihkan, praktik tersebut dapat menunjuk pada analisis AI yang menunjukkan dengan tepat elemen dokumentasi mana yang mendukung tingkat kompleksitas tersebut. Platform AI kesehatan dengan dukungan audit bawaan seperti ini memberikan petugas kepatuhan kepercayaan yang jauh lebih besar terhadap akurasi pengkodean mereka.

Apa yang Tidak Digantikan oleh AI

Alat pengkodean AI tidak menggantikan koder bersertifikat. Mereka mengubah apa yang dihabiskan koder untuk waktunya. Alih-alih mengerjakan kasus-kasus langsung yang ditangani AI dengan akurasi 98%, koder berpengalaman fokus pada kasus multi-prosedur yang kompleks, diagnosis yang tidak biasa, dan skenario klinis di mana skor kepercayaan AI lebih rendah.

Koder yang berkembang dengan bantuan AI cenderung adalah mereka yang melihatnya sebagai penguat keahlian mereka daripada ancaman terhadap peran mereka. Mereka menggunakan penghematan waktu untuk menggali lebih dalam kasus-kasus kompleks, menangkap peluang perbaikan dokumentasi, dan berkontribusi pada edukasi koder dalam tim mereka.

Kesenjangan akurasi antara pengkodean berbantuan AI dan tanpa bantuan kemungkinan akan melebar seiring sistem AI mengumpulkan lebih banyak data pelatihan dan pola penolakan spesifik pembayar. Fasilitas yang mengadopsi alat-alat ini sekarang sedang membangun keunggulan data yang bertambah seiring waktu, karena AI mereka belajar dari pola dokumentasi spesifik, campuran pembayar, dan profil spesialisasi mereka.