Otomatisasi Siklus Pendapatan: Di Mana Kebocoran Uang Terbesar Sebenarnya Terjadi
Manajemen siklus pendapatan di layanan kesehatan melibatkan lebih dari 30 langkah proses yang berbeda antara penjadwalan pasien dan pengumpulan pembayaran akhir. Setiap langkah merupakan titik kebocoran potensial di mana uang keluar dari sistem. Ketika pemimpin keuangan layanan kesehatan berbicara tentang otomatisasi siklus pendapatan, mereka biasanya fokus pada masalah yang paling terlihat, penolakan klaim dan hari dalam AR. Namun kebocoran uang terbesar sering tersembunyi di tempat yang kurang jelas.
Anatomi Kebocoran Pendapatan
HFMA memperkirakan bahwa rata-rata sistem kesehatan kehilangan 3% hingga 5% dari pendapatan bersih akibat inefisiensi di seluruh siklus pendapatan. Untuk sistem kesehatan senilai $200 juta, itu berarti $6 hingga $10 juta per tahun. Kerugian ini terdistribusi secara tidak merata di seluruh siklus, dan mengetahui di mana kebocoran terbesar berada menentukan di mana otomatisasi memberikan nilai paling besar.
Kebocoran di bagian awal (penjadwalan hingga check-in) menyumbang sekitar 30% dari total kebocoran. Ini termasuk informasi asuransi yang salah, verifikasi kelayakan yang terlewat, otorisasi sebelumnya yang tidak ada, dan data demografis pasien yang tidak lengkap. Yang membuat kebocoran di bagian awal sangat mahal adalah bahwa kebocoran ini tidak ditemukan sampai setelah layanan diberikan dan klaim diajukan, yang berarti setiap langkah selanjutnya menjadi upaya yang sia-sia.
Kebocoran di pertengahan siklus (dokumentasi hingga pengkodean) mewakili sekitar 25% dari kebocoran. Penangkapan biaya yang terlewat, pengkodean yang kurang, dan dokumentasi yang tidak mendukung kompleksitas layanan yang diberikan semuanya termasuk di sini. Kebocoran ini berbahaya karena tidak menghasilkan penolakan. Klaim dibayar, hanya dengan tarif yang lebih rendah dari yang seharusnya untuk layanan tersebut.
Kebocoran di bagian akhir (pengajuan klaim hingga penagihan) menyumbang 45% sisanya. Ini termasuk penolakan, tindak lanjut yang lambat terhadap klaim yang belum dibayar, penagihan pasien yang tidak efisien, dan penghapusan yang seharusnya bisa dicegah. Kebocoran di bagian akhir mendapat perhatian paling besar karena paling terlihat, tetapi sering kali merupakan gejala dari kegagalan di bagian awal dan pertengahan siklus.
Di Mana Otomatisasi Memberikan Dampak Terbesar
Otomatisasi verifikasi kelayakan biasanya memberikan ROI tercepat. Ketika sebuah praktik beralih dari verifikasi manual di hari yang sama menjadi verifikasi batch otomatis 48 jam sebelum janji temu, penolakan terkait kelayakan turun 70% hingga 85%. Untuk praktik di mana penolakan kelayakan mewakili 2% hingga 4% dari total klaim, otomatisasi tunggal ini dapat memulihkan angka enam digit setiap tahunnya.
Alasan otomatisasi kelayakan mendapat peringkat sangat tinggi adalah karena mencegah pemborosan di tahap selanjutnya. Setiap klaim yang ditolak karena kelayakan telah dikodekan, diperiksa, dan diajukan dengan biaya $6 hingga $12 per klaim sebelum dikembalikan. Mencegah penolakan di bagian awal menghemat baik pendapatan yang ditolak maupun biaya pemrosesan.
Otomatisasi penangkapan biaya menempati peringkat kedua dalam dampak finansial untuk sebagian besar praktik. Kesenjangan antara layanan yang diberikan dan layanan yang ditagih secara konsisten lebih besar dari yang diperkirakan administrator. Ketika praktik menerapkan rekonsiliasi biaya otomatis yang membandingkan dokumentasi klinis dengan tagihan yang diajukan, mereka biasanya menemukan kesenjangan 5% hingga 15%, yang sangat terkonsentrasi pada prosedur, layanan tambahan, dan pertemuan rawat inap.
Otomatisasi pencegahan dan manajemen penolakan menempati peringkat ketiga, tetapi memiliki keunggulan karena dapat diterapkan pada volume dolar terbesar. Bahkan peningkatan kecil dalam tingkat penerimaan pertama, misalnya dari 88% menjadi 93%, menghasilkan percepatan pendapatan yang signifikan karena menghilangkan penundaan 30 hingga 90 hari dari siklus penolakan-banding-pengajuan ulang.
Kesenjangan Penagihan Pasien
Tanggung jawab pasien kini mewakili 30% hingga 35% dari pendapatan praktik untuk banyak spesialisasi, naik dari 10% satu dekade lalu seiring meluasnya rencana kesehatan dengan deductible tinggi. Menagih dari pasien secara fundamental berbeda dari menagih dari pembayar, dan sebagian besar praktik tidak siap untuk menghadapinya.
Rata-rata praktik hanya mengumpulkan 50% hingga 60% dari saldo pasien setelah asuransi. Sisanya menjadi piutang tak tertagih, penghapusan saldo kecil, atau AR yang menua dan akhirnya dihapuskan. Otomatisasi dapat meningkatkan ini secara signifikan melalui beberapa mekanisme.
Estimasi biaya pra-layanan, di mana pasien menerima perkiraan biaya out-of-pocket yang akurat sebelum janji temu mereka, meningkatkan penagihan di titik layanan sebesar 15% hingga 25%. Pasien yang tahu berapa yang harus mereka bayar lebih cenderung membayar pada saat layanan, dan tingkat penagihan saat layanan melebihi 90% dibandingkan dengan 40% hingga 50% untuk penagihan pasca-layanan.
Rencana pembayaran otomatis yang dipicu di titik layanan mengubah pasien yang tidak dapat membayar penuh secara langsung menjadi pembayar terstruktur. Ketika seorang pasien berutang $800 dan bagian resepsionis dapat menawarkan rencana pembayaran instan tanpa bunga sebesar $100 per bulan, tingkat penagihan pada saldo tersebut meningkat dari 45% menjadi 78%.
Pertanyaan Tentang Tumpukan Teknologi
Otomatisasi siklus pendapatan tidak mengharuskan penggantian seluruh infrastruktur teknologi Anda. Sebagian besar praktik menerapkan otomatisasi secara bertahap, dimulai dari proses dengan ROI tertinggi dan berkembang dari sana.
Lapisan pertama biasanya adalah verifikasi kelayakan otomatis dan pemeriksaan klaim. Proses-proses ini terdefinisi dengan baik, memiliki input dan output yang jelas, dan terintegrasi dengan sistem PM yang ada melalui antarmuka standar. Implementasi membutuhkan waktu berminggu-minggu, bukan berbulan-bulan, dan ROI dapat diukur dalam siklus penagihan pertama.
Lapisan kedua biasanya mencakup manajemen penolakan otomatis, pemantauan penangkapan biaya, dan estimasi pembayaran pasien. Proses-proses ini membutuhkan kedalaman integrasi yang lebih besar, sering kali memerlukan akses ke sistem PM dan EHR. Implementasi membutuhkan satu hingga tiga bulan, dan ROI terbangun selama kuartal pertama saat sistem AI dikalibrasi sesuai pola spesifik praktik.
Lapisan ketiga melibatkan analitik prediktif, prediksi ketidakhadiran, pemodelan perilaku pembayar, dan peramalan pendapatan. Kemampuan ini membutuhkan fondasi data bersih dari dua lapisan pertama dan membutuhkan tiga hingga enam bulan untuk memberikan wawasan yang bermakna. Platform operasi layanan kesehatan yang menyediakan ketiga lapisan dalam satu tumpukan terintegrasi menghilangkan tantangan integrasi dari menghubungkan solusi-solusi terpisah.
Mengukur Yang Penting
Metrik paling berguna untuk melacak kesehatan siklus pendapatan bukanlah satu KPI tunggal melainkan tren dalam tingkat penagihan bersih, yaitu persentase penggantian yang diharapkan yang benar-benar tertagih. Sebuah praktik yang menagih $10 juta dengan tingkat penagihan bersih 95% mengumpulkan $9,5 juta. Meningkatkannya menjadi 97% melalui otomatisasi menambah $200.000 per tahun.
Hari dalam AR adalah metrik kritis lainnya, karena mengukur seberapa cepat uang bergerak melalui sistem. Sebuah praktik dengan 45 hari dalam AR yang berkurang menjadi 35 hari melalui otomatisasi tidak mengubah jumlah total yang dikumpulkan, tetapi telah mempercepat arus kas sebesar 22%. Untuk praktik dengan margin ketat, percepatan arus kas tersebut bisa menjadi perbedaan antara stabilitas keuangan dan tekanan kas yang konstan.
Praktik yang mendapatkan manfaat paling besar dari otomatisasi siklus pendapatan adalah yang memperlakukannya sebagai proses optimalisasi berkelanjutan, bukan implementasi satu kali. Lanskap penagihan layanan kesehatan terus berubah, dengan aturan pembayar yang berubah, set kode baru yang diperkenalkan, dan tanggung jawab keuangan pasien yang terus berkembang. Otomatisasi yang beradaptasi dengan perubahan ini melipatgandakan nilainya dari waktu ke waktu.