Das Gesundheitswesen befindet sich mitten in einer KI-Revolution, und das ist gut so. In einer Zeit steigender Krankenhauskosten, Arbeitskräftemangel und Betriebsmargen, die weit unter dem historischen Niveau liegen, müssen Führungskräfte im Umsatzzyklus ihre Ablehnungsmanagementstrategie durch die Linse der künstlichen Intelligenz bewerten.
Der stetige Anstieg der Ablehnungen von Versicherungsansprüchen ist zu einem der bedeutendsten Finanztrends geworden, die sich auf die Leistung des Krankenhausertragszyklus auswirken. Jüngste Analysen von Kodiak Solutions, ehemals Crowe, ergaben, dass die Erstantragsablehnungen im Jahresvergleich um 11,9 Prozent gestiegen sind. Die Studie stützt sich auf Daten von über 1.800 Krankenhäusern und verdeutlicht die zunehmenden Herausforderungen, insbesondere bei älteren Forderungen, insbesondere für Patienten, die durch Medicare- und kommerzielle Pläne abgedeckt sind.
Ein separater Bericht der American Hospital Association (AHA), der Finanzdaten von mehr als 1.300 Krankenhäusern und Gesundheitssystemen nutzt, stellte zwischen Januar 2022 und Juni 2023 einen Anstieg der Medicare Advantage-Ablehnungen um 56 Prozent fest und unterstreicht damit die zunehmende Bedeutung des Ablehnungsmanagements für die Gesamtfinanzen Lebensfähigkeit eines Anbieters.
Ein weiterer Bericht zeigt, dass fast die Hälfte der Gesundheitsdienstleister in den USA einen Anstieg der Ablehnungen von Ansprüchen erlebt hat, wobei Fehler beim Patientenzugang und bei der Patientenregistrierung die Hauptursache waren. Diese Ergebnisse verdeutlichen einmal mehr die anhaltenden Hürden, mit denen Anbieter bei der Sicherstellung der Kostenerstattung konfrontiert sind.
Für Krankenhäuser, die immer noch mit den finanziellen Folgen von Covid-19 zu kämpfen haben, könnte die Bewältigung abgelehnter Ansprüche nicht schlimmer sein. Anhaltender Arbeitskräftemangel und Unterbrechungen der Lieferkette wirken sich nachhaltig auf die Margen von Krankenhäusern aus und unterstreichen die dringende Notwendigkeit eines proaktiveren Ansatzes. Um dies zu erreichen, ist die Einführung von KI-Methoden, die denen ähneln, die große Versicherer bei der Schadensbearbeitung einsetzen, ein kluger Schritt nach vorn.
Der Einfluss von KI auf die Ablehnung von Ansprüchen
KI birgt ein enormes Potenzial, die Leugnungslandschaft zu revolutionieren, und ihre Auswirkungen sind bereits offensichtlich. Durch den Einsatz von KI können Gesundheitsdienstleister die Schadensbearbeitung rationalisieren, die Kodierungsgenauigkeit verbessern und wichtige Informationen aus Krankenakten und Kostenträgerverträgen extrahieren, um die Grundursachen für Ablehnungen anzugehen.
Während das Fachwissen erfahrener Umsatzzyklusexperten für die Lösung und Prävention von Ablehnungen nach wie vor von entscheidender Bedeutung ist, wird es aufgrund der Trends der letzten Jahre immer noch häufiger und komplexer zu Ablehnungen kommen. Die Integration von KI und automatisierten Arbeitsabläufen ermöglicht es diesen Fachleuten, mit maximaler Effizienz und Effektivität zu arbeiten. Diese Ermächtigung erstreckt sich nicht nur darauf, Leugnungen von vornherein zu verhindern, sondern sie auch erfolgreich aufzuheben. Beispiele für den breiten Einsatz von KI im Umsatzzyklus sind unter anderem die folgenden.
Auswahlmodelle zur Priorisierung: Im Bereich der KI sind Auswahlmodelle speziell dafür konzipiert, bestimmte Elemente oder Entitäten anhand vordefinierter Kriterien zu kategorisieren oder auszuwählen. Diese Modelle, eine Teilmenge des maschinellen Lernens, automatisieren die Priorisierung von Konten und tragen so letztendlich dazu bei, die Umsatzerlöse zu steigern. Beschleunigung von Arbeitsabläufen: KI kann auch Arbeitsabläufe rationalisieren und Reaktionszeiten verkürzen, indem sie die Extraktion kritischer Informationen aus verschiedenen Quellen wie Ansprüchen, Krankenakten, Verträgen und Richtlinien automatisiert. Diese extrahierten Informationen werden dann verwendet, um verschiedene Aufgaben zu beschleunigen. Beispielsweise kann KI Entwürfe für Einspruchsschreiben erstellen, die ein Fachmann für den Umsatzzyklus anschließend prüfen und bearbeiten kann. Dadurch wird der manuelle Arbeitsaufwand reduziert, Fehler minimiert und die Gesamteffizienz des Arbeitsablaufs verbessert, was zu besseren Umsatzergebnissen führt. Verbesserte Preisgenauigkeit: KI ist für Revenue Cycle Management (RCM)-Teams von unschätzbarem Wert, da sie den Wert nutzt, der in unstrukturierten Daten aus Quellen wie Krankenakten und Managed-Care-Verträgen verborgen ist. Es erkennt Abweichungen in den Erstattungssätzen und stellt die Einhaltung der Vertragsbedingungen sicher. Dieser proaktive Ansatz trägt dazu bei, Ablehnungen und Unterzahlungen zu verhindern und versorgt Gesundheitsdienstleister gleichzeitig mit wichtigen Daten, um eine genaue Erstattung gemäß den ausgehandelten Vereinbarungen zu gewährleisten. Vorausschauende Trendanalyse: Da die Ablehnungsraten steigen und sich die Kodierungsrichtlinien weiterentwickeln, wird der Prozess der Einreichung von Ansprüchen immer komplexer, was für unterversorgte Anbieterorganisationen eine Herausforderung darstellt. Die KI greift ein, indem sie Trends im Zusammenhang mit Ablehnungen und Zahlungen erkennt und vorhersagt. Diese Weitsicht ermöglicht es den RCM-Teams, notwendige betriebliche Anpassungen vorzunehmen, um Ablehnungen zu vermeiden. Darüber hinaus ermöglichen die Vorhersagefähigkeiten der KI den RCM-Teams, ihre begrenzten Ressourcen effektiver zu nutzen, indem sie identifizieren, welche Ablehnungen mehr oder weniger wahrscheinlich aufgehoben werden, wenn sie tatsächlich auftreten.
Einsatz von KI für das Ablehnungsmanagement: Wichtige Überlegungen
Wenn Gesundheitsorganisationen KI und Automatisierung in RCM-Prozesse integrieren, stoßen sie auf eine Reihe technischer, datenbezogener, talentierter und betrieblicher Überlegungen.
Die Erstellung effektiver KI-Modelle ist eine herausfordernde Aufgabe, da für das Training und die Ausreifung von Modellen eine erhebliche Menge hochwertiger Daten erforderlich ist. Es erfordert außerdem Datenwissenschaftler mit speziellen Fähigkeiten, die Daten effektiv nutzen und gleichzeitig sinnvolle Anwendungsfälle für maschinelles Lernen identifizieren können. Darüber hinaus sind robuste zugrunde liegende Plattformen und technische Fähigkeiten für eine effiziente Modellbereitstellung sowie ein tiefes Verständnis der sich entwickelnden Standards und Vorschriften erforderlich, um eine ethische und konforme Nutzung sicherzustellen. Die Zusammenarbeit mit etablierten RCM-Innovatoren der Branche kann den Weg eines Gesundheitssystems zu einer stärkeren finanziellen Gesundheit beschleunigen.
Large Language Models (LLMs) oder Basismodelle stellen eine bahnbrechende Innovation dar, die ein immenses Potenzial und erhebliche Unsicherheiten bietet. Die regulatorischen Rahmenbedingungen holen mit dieser Technologie auf, ihre schnelle Entwicklung bringt jedoch anhaltende Unsicherheiten mit sich. Die Zusammenarbeit mit strategischen Partnern, die sich auf diesem Gebiet auskennen, wird zu einer entscheidenden Strategie. Insbesondere große Player wie Google, Microsoft, AWS und andere Cloud-Anbieter entwickeln gesundheitsspezifische LLM-Plattformen und tragen so zur Risikominderung in dieser sich entwickelnden Landschaft bei.
Darüber hinaus sind die Zusammenarbeit mit Industriegruppen wie Landeskrankenhausverbänden und die Zusammenarbeit mit mehreren Gesundheitsorganisationen und Technologieunternehmen für Pilotprojekte empfehlenswerte Ansätze. Anbieterorganisationen sollten klein anfangen und KI nutzen, um ihre anspruchsvollsten Probleme anzugehen, beispielsweise die Patientensammlung.
Interoperabilität ist von größter Bedeutung und erfordert eine robuste Dateninfrastruktur, die in der Lage ist, Daten auf Anspruchsebene, klinische Daten, Vertragsdaten und Betriebsdaten effizient an KI-Modelle weiterzuleiten und die Ergebnisse in betriebliche Arbeitsabläufe zu integrieren. Die Implementierung dieser Modelle erfordert auch Änderungsmanagement, Schulungen und eine produktorientierte Denkweise, um sicherzustellen, dass sie einen spürbaren Geschäftswert generieren.
Da die Gesundheitsbranche mit verschiedenen Herausforderungen zu kämpfen hat, von Arbeitskräftemangel bis hin zu komplexen Codierungsfeinheiten, kann der Einsatz von KI Profis im Umsatzzyklus dabei helfen, sich eine Zukunft mit weniger Ablehnungen, optimierten Einnahmen und gestärkter finanzieller Gesundheit vorzustellen. Die Dringlichkeit liegt auf der Hand, da Verzögerungen zu potenziellen Einnahmeverlusten führen können. Der vor uns liegende Weg verspricht optimierte Prozesse, eine verbesserte Codierungsgenauigkeit und eine proaktive Verhinderung von Ablehnungen und markiert einen transformativen Wandel, bei dem KI zu einem unverzichtbaren Aktivposten bei der Stärkung der finanziellen Ertragszyklusstruktur für Gesundheitsdienstleister wird.
Der Einsatz von KI durch Kostenträger hat bereits zu einem Anstieg der Ablehnungszahlen beigetragen und unterstreicht die Dringlichkeit für Gesundheitsdienstleister, KI umgehend als grundlegendes Kapital zur Verbesserung ihres Einnahmezyklus zu nutzen.
Foto: Filograph, Getty Images
