Ohne ein genaues und zuverlässiges Umsatzzyklusmanagement wird es sehr schwierig sein, ein erfolgreiches Krankenhaus oder Gesundheitssystem zu betreiben. Eine genaue und zuverlässige medizinische Kodierung ist ebenfalls ein wichtiger Teil davon.
Immer mehr Gesundheitsorganisationen sehen in der künstlichen Intelligenz das Potenzial, den Umsatz zu steigern und den Verwaltungsaufwand zu verringern, der bis hin zu den Leistungserbringern selbst reicht. Medizinische Kodierer machen sich jedoch Sorgen über die Genauigkeit der KI und das zukünftige Potenzial für Arbeitsplatzverluste.
Das Ziel sollte jedoch nicht Autonomie sein, sondern vielmehr Erweiterung – anstatt den Menschen aus der Gleichung zu entfernen, kann der Mensch mit neuer generativer KI-gestützter Hilfssoftware gestärkt werden, sagte Varun Ganapathi, Mitbegründer und Chief Technology Officer bei Akasa, einem Anbieter generativer KI-basierter Technologie zur Umsatzzyklusverwaltung. Ganapathi hat einen Doktortitel in Informatik mit Schwerpunkt künstliche Intelligenz von der Stanford University.
Neuigkeiten aus der Gesundheits-IT sprach mit Ganapathi, um seine Einblicke zu erfahren, wie genAI in Umsatzzyklusbereichen wie der medizinischen Kodierung eingesetzt werden kann, wie die Technologie trainiert werden kann, um Begründungen für ihre Empfehlungen weiterzugeben, was Organisationen bei der Erkundung generativer KI-Systeme und der ihnen zugrunde liegenden Technologie beachten müssen, Best Practices für die genAI-Implementierung speziell für Kodierungs- und Umsatzzyklusprozesse und wie genAI-gestützte Tools helfen können, Hürden bei der Belegschaft im Umsatzzyklus zu überwinden.
F. Wie kann GenAI in Umsatzzyklusbereichen wie der medizinischen Kodierung eingesetzt werden? Wie würden Sie Benutzer warnen?
A. GenAI ist die Zukunft des Umsatzzyklus. Diese komplexe Branche ist auf hochgradig manuelle und zeitaufwändige Aufgaben angewiesen, die das Manövrieren in komplizierten EHRs und Zahlerportalen, den Umgang mit endlosen Dokumentationen und den Umgang mit sich ständig ändernden Vorschriften und Richtlinien umfassen – und das alles bei dem Versuch, das Patientenerlebnis in den Vordergrund zu stellen.
GenAI von Angetrieben von großen Sprachmodellen, die Patientenakten und klinische Daten, die für Computer bisher unzugänglich waren, gründlich verstehen. Mit LLMs ist all das jetzt zugänglich. Die Ausbildung eines LLM zum Verständnis des Gesundheitsbereichs und seiner Daten eröffnet viele Möglichkeiten, darunter einen direkteren Weg zur echten Lösung einiger der größten Schwachstellen im Umsatzzyklus.
In der Vergangenheit war die Kodierung für die meisten älteren Technologien zu komplex, um sie angemessen zu lösen. Dies ist bei genAI nicht der Fall, da es speziell anhand von Daten aus Gesundheitssystemen trainiert werden kann. Dadurch kann genAI relevante Informationen aus Patientendaten und Arbeitsabläufen gewinnen, im Gegensatz zu einer riesigen Online-Datenbank.
Von dort aus kann genAI im Tandem mit vorhandenen Kodierungsspezialisten arbeiten und Vorschläge für Angebote und Codes generieren. Da genAI auf LLMs läuft, lernt es auch ständig dazu. Wenn also die Kodierungsregeln in einem bestimmten Staat aktualisiert werden oder neue Patientendaten hinzugefügt werden, kann genAI sich schnell anpassen.
Bei der autonomen Kodierung müssen Benutzer vorsichtig sein. Obwohl die Idee aufregend ist, bringt die autonome Kodierung in der Praxis eine Reihe von Risiken mit sich, darunter ungenaue Kodierungsvorschläge. Aus diesem Grund sollten Gesundheitssysteme immer ein vertrauenswürdiges genAI-Modell verwenden, das auf ihre Daten abgestimmt ist und Menschen in den Prozess einbezieht.
F. Sie meinen, dass es bei der Verwendung von genAI im Umsatzzyklus entscheidend ist, Arbeit zu zeigen. Warum? Und wie kann die Technologie trainiert werden, um Begründungen für ihre Empfehlungen und Erkenntnisse zu liefern?
A. Im Gesundheitswesen ist es wichtig, seine Hausaufgaben zu machen, insbesondere bei der Arbeit mit GenAI. Halluzinationen oder GenAI-Ergebnisse, die nicht genau auf Fakten basieren, sind ein echtes Problem. Stellen Sie sich ein Tool vor, das einem Patienten falsche Codes vorschlägt. Was als Routinebesuch begann, könnte sich zu enormen Arztrechnungen und einer Fehldiagnose entwickeln.
Ein Großteil der KI war in der Vergangenheit eine Blackbox, bei der wir die Technologie nicht in Aktion sehen und nicht verstehen konnten, woher die Ergebnisse kamen. Mit dem richtigen genAI-Tool können Kodierer sehen, welche Kodierungsvorschläge gemacht werden und warum. Woher in den Patientenakten stammen die Informationen?
Indem die genAI ihre Arbeit zeigt, können die Teams diesen Vorschlag überprüfen, bevor er an den Kostenträger geht, um eine genaue Erstattung zu erhalten. Sie trainiert mit spezifischen Daten und lernt so, wie sie die erfolgreichsten Codes für jede einzelne Organisation und jeden Case-Mix-Index erfassen kann.
F: Was müssen Organisationen bei der Erforschung generativer KI-Systeme und der ihnen zugrunde liegenden Technologie berücksichtigen?
A. Organisationen müssen vor der Implementierung von genAI einige Vorarbeiten leisten. Obwohl genAI im Handumdrehen lernen und sich an verschiedene Arbeitsabläufe anpassen kann, ist beim Start dennoch etwas Hilfe erforderlich.
Erstens müssen Gesundheitssysteme so viele Informationen wie möglich digitalisieren. Auch hier gilt: GenAI muss auf das Gesundheitssystem, die Daten und die Arbeitsabläufe trainiert werden, und das geht nur, wenn die Informationen digital sind.
Als nächstes ist es wichtig Jedes GenAI-Tool funktioniert mit den bereitgestellten Systemen. Ist es mit der elektronischen Patientenakte einer Organisation kompatibel? Mit den verwendeten Anbieterportalen? Kann es über verschiedene Servicebereiche hinweg skaliert werden, auch über komplexe?
Zu guter Letzt, aber am wichtigsten, müssen Organisationen über die Sicherheit nachdenken. Wie sieht die Datenaufbewahrungsrichtlinie des GenAI-Anbieters aus? Führt er Audits durch und verschlüsselt er alle Daten? Und dasselbe gilt für Organisationen. Verschlüsselt eine Organisation Daten, führt sie Audits durch und bewahrt nur das auf, was unbedingt nötig ist?
F: Was sind die Best Practices für die GenAI-Implementierung speziell für Kodierungs- und Umsatzzyklusprozesse?
A. Unternehmen sind leicht von genAI begeistert und wollen sogar alles Mögliche rationalisieren. Schauen Sie sich stattdessen die niedrig hängenden Früchte an. Was sind die Problembereiche, die nicht übermäßig groß und komplex sind?
Und was noch wichtiger ist: In welchen Bereichen gibt es die meisten Daten, um GenAI zu trainieren? Das könnten großartige Bereiche sein, um die Technologie zu testen und Ergebnisse zu erzielen.
Beispielsweise kann eine Organisation beim Kodieren mehr aus ihrem Team herausholen, indem sie ein genAI-Tool verwendet, das auf die Generierung von Angeboten und Kodiervorschlägen spezialisiert ist. Dies kann sogar dabei helfen, Ärzte für Kodiervorschläge einbeziehen zu müssen.
F: Und wie können genAI-gestützte Tools dazu beitragen, Hindernisse im Umsatzzyklus, wie etwa einen Mangel an medizinischen Kodierern, zu überwinden?
A. Derzeit herrscht ein großer Mangel an medizinischen Kodierern. Erfahrene Kodierer gehen in den Ruhestand und es kommen nicht genügend neue Leute in den Arbeitsmarkt. Kodierungsteams müssen mit weniger mehr erreichen. Aber wie? In der Vergangenheit war Technologie die Antwort.
Personalmangel führt zu Zeitdruck und verlangt von den Programmierern, schneller zu arbeiten, als sie es sonst tun würden. Dies führt zu mangelnder Vollständigkeit, da Dokumente übersprungen oder kleine Details übersehen werden. Diese Details können zu fehlenden oder falschen Codes führen, was sich letztendlich negativ auf die Qualitätsmetriken auswirken kann.
GenAI kann dabei helfen, Codes zu finden, die Menschen sonst übersehen könnten. Einige GenAI-Modelle können Krankenakten schneller überprüfen als das Personal – und tiefer in die Akten eindringen –, was zu größerer Genauigkeit führt und angemessene Einnahmen zu geringeren Kosten erzielt.
Einige Modelle schlagen korrekte Codes vor und überlassen es den Programmierern, die Arbeit zu prüfen oder zu überprüfen. Dadurch müssen erfahrene Programmierer nicht nur weniger Zeit mit Routinearbeiten verbringen, sondern auch neuere Mitarbeiter können mit der Geschwindigkeit eines erfahrenen Programmierers arbeiten.
Stellen Sie sich vor, genAI verleiht Programmierern Superkräfte. Es hilft ihnen, schneller zu arbeiten und bessere Leistungen zu erbringen. Stellen Sie sich dieses Potenzial nun über einen gesamten Umsatzzyklus vor.
Folgen Sie Bills HIT-Berichterstattung auf LinkedIn: Bill Siwicki
Senden Sie ihm eine E-Mail: bsiwicki@himss.org
Healthcare IT News ist eine Veröffentlichung von HIMSS Media.
