Ketepatan Pengekodan Perubatan: Di Mana AI Mengesan Apa yang Pengekod Manusia Terlepas

Walaupun pengekod perubatan berpengalaman beroperasi pada ketepatan 95%, mereka masih menghasilkan kesilapan pada 1 daripada 20 tuntutan. Di sebuah fasiliti yang memproses 2,000 tuntutan seminggu, itu bermakna 100 kesilapan pengekodan yang keluar, setiap satu berpotensi menjadi penolakan, pencetus audit, atau risiko pematuhan. Persoalan yang menarik bukan sama ada manusia membuat kesilapan. Tetapi di mana mereka membuatnya, dan sama ada AI boleh mengesan mod kegagalan khusus tersebut dengan pasti.

Masalah Kekhususan

ICD-10 mempunyai kira-kira 72,000 kod diagnosis. ICD-10-PCS menambah lagi 78,000 kod prosedur. Sistem ini menuntut kekhususan yang luar biasa, dan kekhususan adalah di mana pengekod manusia paling kerap gagal. Bukan kerana mereka kurang pengetahuan, tetapi kerana tekanan masa mendorong mereka ke arah kod yang biasa digunakan berbanding yang paling tepat.

Contoh biasa: seorang doktor mendokumentasikan osteoartritis lutut kanan dalam nota mereka. Seorang pengekod di bawah tekanan masa mungkin memberikan M17.11 (osteoartritis primer, lutut kanan). Tetapi jika nota itu juga menyebut bahawa pesakit pernah menjalani menisektomi pada lutut tersebut, kod yang lebih tepat ialah M17.31 (osteoartritis sekunder lain, lutut kanan). Perbezaan ini penting untuk pembayaran balik, dan ia penting untuk kualiti data dalam analitik kesihatan populasi.

Alat pengekodan AI membaca keseluruhan dokumen klinikal dan mencadangkan kod berdasarkan konteks penuh, bukan hanya baris diagnosis utama. Mereka sangat baik dalam mengesan jurang kekhususan ini kerana mereka boleh merujuk silang setiap maklumat dalam nota secara serentak, sesuatu yang memerlukan masa yang jauh lebih lama bagi pengekod manusia.

Kesilapan Penyahgabungan dan Pengubah Suai

Suntingan NCCI, peraturan yang mengawal kod prosedur mana yang boleh dan tidak boleh dibilkan bersama, berubah setiap suku tahun. Terdapat lebih 3.4 juta suntingan pasangan kod dalam jadual NCCI semasa. Tiada manusia boleh menghafalnya, dan walaupun perisian pengekodan menyemak konflik penggabungan yang jelas, AI melangkah lebih jauh dengan memahami konteks klinikal.

Pertimbangkan kes pembedahan di mana pakar bedah am melakukan kedua-dua kolesistektomi dan pembaikan hernia semasa sesi yang sama. Kod-kod tersebut tidak secara semula jadi digabungkan, tetapi kombinasi pengubah suai tertentu diperlukan bergantung pada pembayar dan keadaan klinikal. AI menganalisis nota operasi, mengenal pasti prosedur yang berbeza, dan mencadangkan penugasan pengubah suai yang betul berdasarkan cara pakar bedah mendokumentasikan insisi berasingan dan pembuatan keputusan klinikal.

Satu kumpulan pelbagai kepakaran di Texas melaporkan bahawa pengekodan berbantukan AI mengesan kesilapan pengubah suai pada 8% tuntutan pembedahan mereka semasa perintis enam bulan. Ini bukan kesilapan rawak. Ia tertumpu dalam kategori prosedur tertentu di mana suntingan NCCI baru-baru ini berubah dan pasukan pengekodan belum sepenuhnya menyerap kemas kini tersebut.

Lateraliti dan Kekhususan Bahagian Badan

ICD-10 memerlukan lateraliti (kiri, kanan, dua hala) untuk banyak kod diagnosis, dan kekhususan bahagian badan untuk keadaan ortopedik dan muskuloskeletal. Lateraliti yang tertinggal adalah salah satu sebab utama penolakan tuntutan, dan ia adalah salah satu perkara yang paling mudah terlepas pandang apabila nota doktor menyatakan sakit bahu tanpa menyatakan bahagian mana.

Alat AI menangani ini dengan mengimbas keseluruhan rekod untuk petunjuk lateraliti. Walaupun bahagian penilaian menyatakan sakit bahu tanpa menyatakan bahagian, AI mungkin menemui pesakit melaporkan kesukaran mengangkat tangan kiri ke atas dalam HPI, atau kesakitan pada palpasi di atas sendi akromioklavikular kiri dalam pemeriksaan fizikal. Ia menarik lateraliti dari mana sahaja ia muncul dalam dokumentasi.

Bagaimana Bantuan Pengekodan AI Sebenarnya Berfungsi dalam Amalan

Kebanyakan alat pengekodan AI berfungsi dalam salah satu daripada dua mod. Dalam mod pertama, ia berfungsi sebagai pembantu masa nyata, mencadangkan kod semasa pengekod menyemak setiap carta. Pengekod melihat cadangan AI bersama pilihan mereka sendiri dan boleh menerima, mengubah suai, atau menolaknya. Mod ini berfungsi dengan baik di fasiliti di mana pengekod ingin mengekalkan kawalan dan belajar daripada cadangan AI.

Dalam mod kedua, AI mengendalikan penugasan kod awal secara autonomi, dan pengekod manusia menyemak output untuk ketepatan. Ini kadangkala dipanggil pengekodan berbantukan komputer atau CAC, dan ia membalikkan aliran kerja tradisional. Daripada pengekod membaca nota dan memilih kod dari awal, mereka menyemak kod yang dijana AI terhadap dokumentasi. Kajian daripada 3M dan Optum mencadangkan pendekatan ini boleh meningkatkan produktiviti pengekod sebanyak 20% hingga 30% sambil mengekalkan atau meningkatkan ketepatan.

Peningkatan ketepatan datang dari tempat yang berlawanan dengan intuisi. Manusia sebenarnya lebih baik dalam menyemak dan mengesahkan berbanding menghasilkan dari awal, terutamanya di bawah keletihan. Seorang pengekod pada jam keenam syif mereka lebih cenderung terlepas butiran kekhususan apabila mengekod dari helaian kosong berbanding menyemak cadangan yang telah diisi terlebih dahulu yang boleh mereka sahkan atau betulkan dengan cepat.

Pengurangan Risiko Audit

Ketepatan pengekodan bukan sekadar tentang tuntutan bersih. Ia tentang kesediaan audit. Pelan kerja OIG secara konsisten menyasarkan pengekodan berlebihan dalam perkhidmatan penilaian dan pengurusan, dan juruaudit RAC mencari corak pengekodan berlebihan yang mencadangkan masalah sistematik berbanding kesilapan sekali-sekala.

Alat AI mencipta jejak audit semula jadi dengan mendokumentasikan mengapa kod tertentu dicadangkan, dikaitkan kembali kepada frasa khusus dalam dokumentasi klinikal yang menyokong setiap kod. Apabila juruaudit bertanya mengapa lawatan E/M tahap-5 dibilkan, amalan tersebut boleh merujuk kepada analisis AI yang menunjukkan dengan tepat elemen dokumentasi mana yang menyokong tahap kerumitan tersebut. Platform AI penjagaan kesihatan dengan sokongan audit terbina dalam seperti ini memberikan pegawai pematuhan keyakinan yang jauh lebih tinggi terhadap ketepatan pengekodan mereka.

Apa yang AI Tidak Gantikan

Alat pengekodan AI tidak menggantikan pengekod bertauliah. Ia mengubah apa yang pengekod luangkan masa mereka. Daripada menyelesaikan kes-kes mudah yang AI kendalikan dengan ketepatan 98%, pengekod berpengalaman memberi tumpuan kepada kes pelbagai prosedur yang kompleks, diagnosis luar biasa, dan senario klinikal di mana skor keyakinan AI lebih rendah.

Pengekod yang berkembang maju dengan bantuan AI cenderung menjadi mereka yang melihatnya sebagai menguatkan kepakaran mereka berbanding mengancam peranan mereka. Mereka menggunakan penjimatan masa untuk mendalami kes-kes kompleks, mengesan peluang penambahbaikan dokumentasi, dan menyumbang kepada pendidikan pengekod dalam pasukan mereka.

Jurang ketepatan antara pengekodan berbantukan AI dan tanpa bantuan berkemungkinan akan melebar apabila sistem AI mengumpulkan lebih banyak data latihan dan corak penolakan khusus pembayar. Fasiliti yang menggunakan alat ini sekarang sedang membina kelebihan data yang berganda dari masa ke masa, kerana AI mereka belajar daripada corak dokumentasi khusus mereka, campuran pembayar, dan profil kepakaran.