Tıbbi Kodlama Doğruluğu: Yapay Zekanın İnsan Kodlayıcıların Kaçırdıklarını Yakaladığı Yerler

%95 doğruluk oranıyla çalışan deneyimli tıbbi kodlayıcılar bile her 20 talepten 1'inde hata üretir. Haftada 2.000 talep işleyen bir sağlık tesisinde bu, her biri potansiyel bir ret, denetim tetikleyicisi veya uyumluluk riski olan 100 kodlama hatasının dışarı çıkması demektir. İlginç soru, insanların hata yapıp yapmadığı değildir. Asıl soru, bu hataları nerede yaptıkları ve yapay zekanın bu belirli hata türlerini güvenilir bir şekilde yakalayıp yakalayamayacağıdır.

Özgüllük Sorunu

ICD-10'da yaklaşık 72.000 tanı kodu bulunmaktadır. ICD-10-PCS ise 78.000 prosedür kodu daha ekler. Sistem olağanüstü bir özgüllük talep eder ve özgüllük, insan kodlayıcıların en sık yetersiz kaldığı alandır. Bilgi eksikliğinden değil, zaman baskısının onları en doğru kodlar yerine aşina oldukları kodlara yönlendirmesinden kaynaklanır.

Yaygın bir örnek: bir hekim notunda sağ diz osteoartriti belgelemiştir. Zaman baskısı altındaki bir kodlayıcı M17.11 (primer osteoartrit, sağ diz) kodunu atayabilir. Ancak notta hastanın o dizde daha önce menisektomi geçirdiği de belirtiliyorsa, daha doğru kod M17.31 (diğer sekonder osteoartrit, sağ diz) olacaktır. Bu fark geri ödeme açısından önemlidir ve popülasyon sağlığı analitiğinde veri kalitesi açısından da önemlidir.

Yapay zeka kodlama araçları, klinik belgenin tamamını okur ve yalnızca birincil tanı satırına değil, tam bağlama dayalı olarak kod önerir. Bu özgüllük boşluklarını yakalamada özellikle başarılıdırlar çünkü bir nottaki her bilgiyi eş zamanlı olarak çapraz referansla kontrol edebilirler; bu, bir insan kodlayıcının çok daha fazla zaman harcamasını gerektiren bir işlemdir.

Ayrıştırma ve Modifiye Edici Hataları

Hangi prosedür kodlarının birlikte faturalanıp faturalanamayacağını düzenleyen NCCI düzenlemeleri her üç ayda bir değişir. Mevcut NCCI tablolarında 3,4 milyonun üzerinde kod çifti düzenlemesi bulunmaktadır. Hiçbir insan bunları ezberleyemez ve kodlama yazılımları belirgin paketleme çakışmalarını kontrol etse de yapay zeka, klinik bağlamı anlayarak daha ileri gider.

Bir genel cerrahın aynı seansta hem kolesistektomi hem de fıtık onarımı gerçekleştirdiği bir cerrahi vakayı düşünün. Kodlar doğası gereği paketlenmiş değildir, ancak ödeme yapan kuruma ve klinik koşullara bağlı olarak belirli modifiye edici kombinasyonları gereklidir. Yapay zeka ameliyat notunu analiz eder, ayrı prosedürleri tanımlar ve cerrahın ayrı insizyonları ve klinik karar verme sürecini nasıl belgelediğine dayanarak doğru modifiye edici atamalarını önerir.

Teksas'taki bir çok branşlı grup, altı aylık bir pilot uygulama sırasında yapay zeka destekli kodlamanın cerrahi taleplerinin %8'inde modifiye edici hatalarını yakaladığını bildirdi. Bunlar rastgele hatalar değildi. NCCI düzenlemelerinin yakın zamanda değiştiği ve kodlama ekibinin güncellemeleri tam olarak özümsemediği belirli prosedür kategorilerinde yoğunlaşmışlardı.

Lateralite ve Vücut Bölgesi Özgüllüğü

ICD-10, birçok tanı kodu için lateralite (sol, sağ, bilateral) ve ortopedik ile kas-iskelet sistemi durumları için vücut bölgesi özgüllüğü gerektirir. Eksik lateralite, talep retlerinin en önemli nedenlerinden biridir ve bir hekim notu hangi taraf olduğunu belirtmeden omuz ağrısı yazdığında gözden kaçırılması en kolay şeylerden biridir.

Yapay zeka araçları, lateralite ipuçları için tüm kaydı tarayarak bunu ele alır. Değerlendirme bölümünde taraf belirtilmeden omuz ağrısı yazsa bile, yapay zeka HPI'da hasta sol kolunu yukarı kaldırmakta zorlanıyor ifadesini veya fizik muayenede sol akromiyoklaviküler eklem üzerinde palpasyonla hassasiyet ifadesini bulabilir. Lateraliteyi dokümantasyonda nerede görünürse oradan çeker.

Yapay Zeka Kodlama Desteği Pratikte Nasıl Çalışır

Çoğu yapay zeka kodlama aracı iki moddan birinde çalışır. İlkinde, kodlayıcı her dosyayı incelerken gerçek zamanlı bir asistan olarak işlev görür ve kod önerir. Kodlayıcı, yapay zeka önerilerini kendi seçimleriyle birlikte görür ve bunları kabul edebilir, değiştirebilir veya geçersiz kılabilir. Bu mod, kontrolü elinde tutmak ve yapay zeka önerilerinden öğrenmek isteyen kodlayıcıların bulunduğu tesislerde iyi çalışır.

İkinci modda, yapay zeka ilk kod atamasını otonom olarak gerçekleştirir ve insan kodlayıcılar çıktıyı doğruluk açısından gözden geçirir. Bu bazen bilgisayar destekli kodlama veya CAC olarak adlandırılır ve geleneksel iş akışını tersine çevirir. Kodlayıcılar notları okuyup sıfırdan kod seçmek yerine, yapay zekanın ürettiği kodları dokümantasyonla karşılaştırarak inceler. 3M ve Optum'un çalışmaları, bu yaklaşımın doğruluğu koruyarak veya artırırken kodlayıcı verimliliğini %20 ile %30 arasında artırabildiğini göstermektedir.

Doğruluk iyileşmesi sezgisel olmayan bir yerden gelir. İnsanlar aslında sıfırdan üretmekten ziyade inceleme ve doğrulamada daha iyidir, özellikle yorgunluk altında. Vardiyasının altıncı saatindeki bir kodlayıcının, boş bir sayfadan kodlama yaparken bir özgüllük detayını kaçırma olasılığı, hızlıca onaylayabileceği veya düzeltebileceği önceden doldurulmuş bir öneriyi incelerken olduğundan daha yüksektir.

Denetim Riski Azaltma

Kodlama doğruluğu sadece temiz taleplerle ilgili değildir. Denetim hazırlığıyla da ilgilidir. OIG çalışma planları sürekli olarak değerlendirme ve yönetim hizmetlerinde üst kodlamayı hedefler ve RAC denetçileri, ara sıra yapılan hatalardan ziyade sistematik sorunlara işaret eden aşırı kodlama kalıplarını arar.

Yapay zeka araçları, belirli kodların neden önerildiğini, her kodu destekleyen klinik dokümantasyondaki belirli ifadelere bağlayarak belgeleyen doğal bir denetim izi oluşturur. Bir denetçi neden seviye-5 E/M vizitinin faturalandığını sorduğunda, uygulama, hangi dokümantasyon unsurlarının bu karmaşıklık düzeyini desteklediğini tam olarak gösteren yapay zeka analizine işaret edebilir. Sağlık sektörü yapay zeka platformları bu tür yerleşik denetim desteğiyle uyumluluk görevlilerine kodlama doğrulukları konusunda önemli ölçüde daha fazla güven verir.

Yapay Zekanın Yerini Almadığı Şeyler

Yapay zeka kodlama araçları sertifikalı kodlayıcıların yerini almıyor. Kodlayıcıların zamanlarını neye harcadığını değiştiriyorlar. Yapay zekanın %98 doğrulukla ele aldığı basit vakaları işlemek yerine, deneyimli kodlayıcılar karmaşık çoklu prosedür vakalarına, nadir tanılara ve yapay zekanın güven puanlarının düşük olduğu klinik senaryolara odaklanır.

Yapay zeka desteğiyle başarılı olan kodlayıcılar, bunu rollerini tehdit eden bir şey olarak değil, uzmanlıklarını güçlendiren bir araç olarak görenler olma eğilimindedir. Zaman tasarrufunu karmaşık vakaları daha derinlemesine incelemek, dokümantasyon iyileştirme fırsatlarını yakalamak ve ekiplerindeki kodlayıcı eğitimine katkıda bulunmak için kullanırlar.

Yapay zeka destekli ve desteksiz kodlama arasındaki doğruluk farkı, yapay zeka sistemleri daha fazla eğitim verisi ve ödeme yapana özgü ret kalıpları biriktirdikçe büyümeye devam edecektir. Bu araçları şimdi benimseyen tesisler, zamanla biriken bir veri avantajı oluşturuyor çünkü yapay zekaları kendi özel dokümantasyon kalıplarından, ödeme yapan karışımından ve uzmanlık profilinden öğreniyor.