Los avances en IA llevan a RCM a un punto de inflexión

Varias formas de automatización han estado presentes durante mucho tiempo en la gestión del ciclo de ingresos de la atención sanitaria (RCM). Sin embargo, los avances en inteligencia artificial (IA) han llevado a la industria a un importante punto de inflexión, donde los casos de uso de las herramientas de IA se están expandiendo tan rápido como sus capacidades.

Nos sentamos con Thomas Thatapudi, director de información de AGS Health, para discutir el estado actual y futuro de la IA en RCM y lo que las organizaciones de atención médica necesitan saber sobre su integración efectiva en los flujos de trabajo.

EHR: ¿Cómo están transformando la automatización y la IA el enfoque de la atención sanitaria en la gestión del ciclo de ingresos?

Thatapudi: Los líderes financieros de atención médica han reconocido desde hace mucho tiempo el poder de la automatización simple, como flujos de trabajo simples basados ​​en reglas o paneles analíticos, para mejorar los procesos de facturación y las tasas de error. Ahora, herramientas avanzadas de IA como ChatGPT, grandes modelos lingüísticos y la IA generativa (o GenAI) han llevado a RCM a un punto de inflexión con una variedad de casos de uso de RCM nuevos y viables impulsados ​​por IA que pueden tener impactos financieros significativos. La IA y la automatización pueden reducir los costos de mano de obra y aumentar los ingresos netos a través de un proceso fluido que sigue todo el recorrido del paciente, desde evitar denegaciones de autorización previa y reducir errores de codificación hasta implementar procesos de seguimiento de cuentas por cobrar más proactivos y eficientes.

Con tareas iniciales del ciclo de ingresos, como la verificación del seguro y la autorización previa, tenemos la oportunidad de crear un proceso interactivo y completamente fluido para los pacientes, al tiempo que garantizamos la presencia de controles adecuados para mitigar la fuga de ingresos. Para la codificación de mitad de ciclo, ciertas especialidades se prestan a una codificación autónoma que elimina la necesidad de intervención humana, liberando al personal para concentrarse en trabajos más complejos. Por otro lado, la atención podría centrarse en gestionar las tasas de rechazo y cobro, en particular en el caso de reclamaciones que, debido a limitaciones de capacidad, no se han trabajado en el pasado. Esto puede resultar especialmente beneficioso en los casos en que los requisitos de los pagadores se han vuelto más estrictos.

Estos ejemplos son sólo la punta del iceberg en términos de posibles casos de uso de RCM durante los próximos dos años.

EHR: ¿Cuáles son algunos ejemplos de áreas donde se utilizan herramientas de inteligencia artificial para mejorar RCM?

Thatapudi: La IA se utiliza en documentación clínica, comunicación y pagos con pacientes, programación, autorización previa y codificación médica. De hecho, la codificación ha estado utilizando verdadera IA y aprendizaje automático en forma de codificación asistida por computadora (CAC) basada en PNL durante aproximadamente una década. Dado que las aplicaciones CAC existentes alcanzan un alto nivel de precisión de codificación de alrededor del 70-75 por ciento, están ingresando al mercado nuevas soluciones autónomas que aprovechan los modelos de aprendizaje profundo y Gen AI para aumentar realmente las tasas de codificación totalmente automatizadas. Espero que la codificación sea una de las áreas de RCM más afectadas por la verdadera IA, el aprendizaje automático y el aprendizaje profundo.

EHR: ¿Cómo pueden los líderes financieros aprovechar el análisis de datos avanzado y las herramientas de inteligencia empresarial (BI) para informar las decisiones de RCM y medir su impacto?

Thatapudi: Las herramientas de BI pueden medir una amplia gama de métricas, desde la cantidad de usuarios del sistema hasta interacciones y cuentas, todas las cuales pueden informar los indicadores clave de desempeño (KPI) que son cruciales para monitorear el desempeño financiero. El problema es que el gran volumen de métricas puede resultar fácilmente abrumador, lo que puede provocar una parálisis en el análisis. Para evitar esto, es importante dar un paso atrás y centrarse en KPI como indicadores financieros como las tasas de cobro diario o mensual y el tiempo que lleva cobrar los pagos: indicadores de rendimiento que indican cuánto tiempo se está gastando y el dinero. recuperar un dólar para poder reducirlo o gestionarlo mejor.

Es importante que la alta dirección evite quedar demasiado impresionada por la gran cantidad de inteligencia que se puede recopilar y mostrar en un tablero. En cambio, la atención debería centrarse en determinar los KPI que impulsan las decisiones operativas del día a día. Por ejemplo, los servicios de análisis predictivo ayudan a las organizaciones de atención médica a predecir mejor las denegaciones, anticipar pagos insuficientes, predecir pagos y más. Esto permite la corrección proactiva de reclamaciones antes de su presentación, mejorando las tasas de reclamaciones limpias y el flujo de caja. La creación de simulaciones y proyecciones para escenarios personalizados de «qué pasaría si» proporciona una comprensión de los impactos asociados con las métricas interdependientes.

EHR: ¿Cómo están evolucionando las prácticas de RCM para alinearse con la atención basada en valores y otros modelos de pago emergentes?

Thatapudi: RCM desempeña un papel crucial en el incentivo compartido de pagadores y proveedores para reducir el costo de la atención y demostrar el valor de la atención y los modelos de pago basados ​​en la calidad. Por ejemplo, la codificación de categorías de condición jerárquica (HCC) respalda el cambio hacia una atención basada en valores al ayudar a proporcionar una imagen integral del estado de salud de un paciente. Esto, a su vez, permite predicciones más precisas sobre los recursos necesarios para una gestión y tratamiento eficaz y eficiente de los pacientes.

Hay varias formas de medir la atención basada en el valor (número de días de internación, incidencia de infecciones secundarias, reingresos, etc.) y determinar si los costos de la atención realmente no han disminuido y si la calidad de la atención se ha mantenido o mejorado. RCM es un elemento importante para medir la eficacia de los acuerdos de atención basados ​​en valores. Al conectarnos nuevamente con las herramientas de toma de decisiones y analizar métricas como los reingresos y el costo de la atención, podemos evaluar si se han cumplido los objetivos y confirmar las recaudaciones adecuadas.

Validar el concepto de atención basada en valores y juzgar su eficacia requiere que tanto los pagadores como los proveedores conecten la atención al paciente con métricas financieras. RCM puede determinar si la atención basada en el valor (o cualquiera de los modelos emergentes) tiene sentido al proporcionar información sobre el costo de la cobranza, la cobranza de los pacientes y el costo general de la atención. Las prácticas de RCM son esenciales en el contexto de la atención basada en valores y se les debe dar la importancia necesaria que merecen.