Bereit für das Medicare Advantage-Audit dank KI

Um die Aufsicht zu verschärfen und Überzahlungen an Medicare Advantage-Pläne zu minimieren, führten die Centers for Medicare & Medicaid Services (CMS) im Jahr 2023 eine neue Regel ein, die den Ansatz der Behörde zur Validierung von Risikoanpassungsdaten (RADV) überarbeitete. Der Prozess beinhaltet die Überprüfung von Leistungsdaten aus einer Stichprobe von Plänen anhand der Krankenakten der Patienten, um eine Übereinstimmung sicherzustellen.

Falsch gemeldete Daten oder unbegründete Diagnosen können zu fehlgeschlagenen Prüfungen, Rückzahlungsforderungen des CMS und möglichen rechtlichen Konsequenzen führen. Fehlende Diagnosen können jedoch auch zu ungenauen Risikobewertungen der Mitglieder und negativen Auswirkungen auf die Erstattungen der Pläne führen. Medicare Advantage-Pläne können die Herausforderungen des neuen RADV-Ansatzes bewältigen, indem sie generative KI und Tools zur Verarbeitung natürlicher Sprache (NLP) verwenden. Im Zusammenspiel können diese Tools die Kodierungsgenauigkeit verbessern und diagnostische Informationen in unstrukturierten Daten aufdecken. Mithilfe von KI-Tools können Medicare Advantage-Pläne auditfähige Abläufe erstellen und dazu beitragen, positive Ergebnisse aus der Validierung der Risikoanpassung sicherzustellen.

Anwendung von KI-Tools zur Risikoanpassung

Der traditionelle Risikoanpassungsprozess umfasst die manuelle Überprüfung und Kodierung von Dokumenten, was zu Fehlern, Inkonsistenzen und verpassten Gelegenheiten führen kann. Generative KI, NLP und andere KI-Tools können die Datenerfassung, -aggregation und -analyse in jedem Schritt des Risikoanpassungsprozesses automatisieren und optimieren, wie im Folgenden beschrieben:

Automatische Identifizierung und Extraktion Gen AI rationalisiert diesen Prozess und extrahiert die relevantesten Merkmale wie demografische Informationen, Krankengeschichte und Diagnosecodes aus großen Datenpools. Verbesserung der Datenqualität Retrieval-Augmented Generation (RAG) verbessert die Effizienz und Genauigkeit generativer KI-Modelle. Die Integration von RAG mit Gesundheitsdatenquellen wie HL7, ICD, CPT, Anspruchsdaten, Mitgliederdemografie und mehr gewährleistet Datenintegrität und -kompatibilität. RAG hilft dabei, Fehler, Inkonsistenzen und Ausreißer in den Daten durch integrierte Validierungsprüfungen zu erkennen. Es kann sogar Korrekturmaßnahmen vorschlagen oder Bereinigungsverfahren automatisieren, um die Datenqualität zu verbessern. Beispielsweise helfen Datenanalyse-Inputs zur Risikoanpassung, die durch die Kombination von Ansprüchen, Begegnungen, MMR, MAO, Labor- und Apothekenansprüchen generiert werden, die Genauigkeit zu verbessern und Duplikate bei der Übermittlung von Begegnungen zu vermeiden. Verbesserung der Genauigkeit KI-Tools können potenzielle Kodierungsfehler oder Inkonsistenzen basierend auf den CMS-Kodierungsrichtlinien identifizieren und kennzeichnen. Generative KI kann auch die am besten geeigneten Diagnose- und Verfahrenscodes für jedes Mitglied basierend auf seiner Krankengeschichte, demografischen Daten und anderen relevanten Faktoren vorschlagen. Diese Fähigkeiten erweitern das Fachwissen der Kodierer, um eine umfassende und präzise Codezuweisung zu gewährleisten, was dazu beiträgt, falsche Risikobewertungen zu vermeiden. Pläne können auch Fehlerergebnisse mit Anbietern und Kodierern teilen, um die zukünftige Kodierungsgenauigkeit zu verbessern. Priorisierung von Abfragen Anstelle des traditionellen Ansatzes der zufälligen Auswahl kann ein generatives KI-Tool eingehende Abfragen von medizinischen Kodierern und Prüfern analysieren und diejenigen mit höherer Gültigkeitswahrscheinlichkeit priorisieren. Dies verbessert die intelligente Prüfung durch Kodierer und Prüfer und rationalisiert den Überprüfungsprozess, indem die Aufmerksamkeit auf kritische Probleme gerichtet wird. Automatisierte Antworten Generative KI kann klinische Dokumentationen analysieren und potenzielle Lücken, Mehrdeutigkeiten oder Inkonsistenzen in den Informationen identifizieren. Sie kann dann automatisch Klärungsanfragen von Gesundheitsdienstleistern generieren. Dieser Prozess hilft dabei, Kodierungsunsicherheiten proaktiv anzugehen und sicherzustellen, dass die endgültigen Codes den Gesundheitszustand des Patienten genau widerspiegeln. Entwicklung von Risikoanpassungsmodellen NLP-Tools können Muster und Beziehungen in Anbieternotizen und Krankenakten finden. Diese Erkenntnisse ermöglichen es Krankenversicherungen, signifikante Risikofaktoren zu identifizieren und genauere Vorhersagemodelle basierend auf historischen, klinischen und administrativen Daten für die betreute Bevölkerung zu entwickeln. Pläne können dieselben Erkenntnisse in digitaler Interaktion und Umfragen mit Mitgliedern nutzen, um einen besseren Überblick über den Gesundheitszustand der Mitglieder zu erhalten und Anbietern Vorschläge zu unterbreiten, wie sie bei Patientenbeurteilungen versteckte Zustände aufdecken können. Dynamische Risikobeurteilung KI analysiert Daten in Echtzeit und ermöglicht dynamische Anpassungen der Risikobewertungen basierend auf sich entwickelnden Gesundheitszuständen. Diese Flexibilität verbessert die Aktualität und Genauigkeit der Risikoanpassung. Erstattungsoptimierung Pläne können verschiedene Zahlungsszenarien mit KI simulieren, um Modellparameter und Algorithmen zu optimieren und die Genauigkeit der Risikovorhersage zu verbessern, was zu präziseren Pro-Kopf-Zahlungen und Ressourcenzuweisungen führt. Beispielsweise kann generative KI Codes in Dokumenten identifizieren, insbesondere wenn HCC-Codes eine Kombination mehrerer Diagnosen sein könnten, wie z. B. die Meldung von Diabetes mit Neuropathie gegenüber der Meldung von nur Diabetes. Der RAF unterscheidet sich für die beiden Codes erheblich. Compliance- und Audit-Unterstützung Krankenversicherungen nutzen KI, um Risikobewertungsprüfungen durchzuführen, die über typische RADV-Prüfungen hinausgehen, indem sie dokumentierte Erkrankungen in den Krankenakten der Mitglieder mit denen vergleichen, die in Ansprüchen und Behandlungsdaten widergespiegelt sind. Diese Analyse reduziert Kodierungsdiskrepanzen und hilft bei der Berechnung der finanziellen Auswirkungen. Darüber hinaus ermöglicht es die automatische Erstellung umfassender Finanzberichte und prognostizierter Außenstände mit einem „stets prüfungsbereiten System“.

Medicare Advantage-Pläne, die KI-Tools in Kodierungs- und Audit-Workflows integrieren, können ihre täglichen Abläufe genauer, effizienter und konformer gestalten. Sie sind außerdem besser in der Lage, ein Risikoanpassungsaudit mit Vertrauen in die Qualität ihrer Daten durchzuführen. Und das Wichtigste: Sie erhalten kontinuierlich Einblicke in die Gesundheit ihrer Mitglieder und können so bessere Ergebnisse erzielen.

Foto: Witthaya Prasongsin, Getty Images

Dieser Beitrag erscheint im Rahmen des MedCity Influencers-Programms. Über MedCity Influencers kann jeder seine Sichtweise zu Wirtschaft und Innovation im Gesundheitswesen auf MedCity News veröffentlichen. Klicken Sie hier, um zu erfahren, wie.