PRŮVODCE aplikacemi

AI pro audity lékařského kódování

Umělá inteligence pro audity lékařského kódování používá software k seřazení nároků podle rizika, k porovnání kódů s dokumentací a pravidly plátců a k označení pravděpodobných chyb, aby je auditoři mohli potvrdit.

Poslechněte si tento návodAI-vyprávěný · ~3 min

Na této stránce4 min čtení
  1. Přehled
  2. Hluboký ponor
  3. Real-World Implementace
  4. Budoucnost umělé inteligence pro audity lékařského kódování
  5. Uvedení do praxe
  6. Pokračujte v objevování
  7. Často kladené otázky

Přehled

Pomáhá poskytovatelům najít přeplatky a nedoplatky dříve, než to udělají plátci, dodavatelé auditu obnovy nebo OIG. Na tom záleží, protože jakmile je přeplatek identifikován, federální pravidla vyžadují, aby byl nahlášen a vrácen ve stanovených lhůtách.

Hluboký ponor

Audity kódování přicházejí ve dvou formách. Případné audity prověřují nároky před vyúčtováním. Retrospektivní audity prověřují již zaplacené pohledávky. Tuto práci vykonávají interní i externí recenzenti. Mezi externí recenzenty patří Medicare Administrative Contractors (MAC), kteří provozují hodnocení Targeted Probe a Educate; Dodavatelé auditu obnovy; Dodavatelé integrity jednotného programu; Program komplexního testování chybovosti CMS; úřad generálního inspektora HHS; a komerční a Medicare Advantage plátci. Obecné pokyny k programu dodržování předpisů OIG, vydané v listopadu 2023, uvádí audit a monitorování jako základní prvek programu dodržování předpisů. AI pomáhá na třech místech. Za prvé, riskujte bodování, kde hledat. Porovnává distribuci kódu s kolegy, označuje neobvyklé použití modifikátorů a odhaluje porušení úprav. Za druhé, automatická kontrola porovnává každý kód s dokumentací a pravidly plátce, jako jsou úpravy NCCI a určení místního a národního pokrytí. Poté vypracuje nález s podpůrnými důkazy. Za třetí, výsledky se přidávají do hlášení a vzdělávání, rozdělené podle poskytovatele, kódu nebo typu chyby. Nejdůležitější mylnou představou je, že kontrola 100 procent tvrzení pomocí AI nahrazuje statistické vzorkování. To ne. Příznak AI je vodítko, nikoli nález, dokud to nepotvrdí kvalifikovaný auditor. Chcete-li odhadnout, jakou hodnotu má přeplatek v celé skupině nároků, potřebujete zdokumentovanou, statisticky platnou metodu výběru vzorků. OIG k tomu nabízí bezplatný software RAT-STATS. Cílené kontroly vysoce rizikových pojistných událostí jsou užitečné, nelze je však promítnout do celé skupiny pojistných událostí. Sázky vyplývají z federálních pravidel pro přeplatky, která vyžadují, aby byly přeplatky hlášeny a vráceny do 60 dnů od jejich zjištění. CMS aktualizovalo pravidlo v roce 2024, aby umožnilo omezenou pauzu v tomto termínu, zatímco probíhá vyšetřování v dobré víře. Systém umělé inteligence, který odhaluje problémy, ale nemá žádný proces pro jejich řešení, může spíše vytvářet expozici, než ji snižovat.

Real-World Implementace

Skupina lékařů má skóre AI každý E/M nárok z posledního čtvrtletí za riziko. Auditoři poté vylosují náhodný vzorek od lékařů s nejvyšším rizikem a ručně tyto grafy prohlédnou.

Nemocnice znovu spustí kontroly NCCI od postupu k postupu a lékařsky nepravděpodobné kontroly proti již zaplaceným ambulantním nárokům. Vyhledá řádky, kde účtované jednotky překročily limit úprav.

Před účtováním AI označí hospitalizované případy, kdy hlavní komplikace spočívá na jedné zmínce o akutním respiračním selhání bez podpůrných klinických indikátorů. Specialista na klinickou dokumentaci posoudí každý případ před odesláním žádosti.

Poté, co dodavatel Medicare oznámí kontrolu cílené sondy a vzdělávání, tým pro dodržování předpisů použije AI ke shromáždění požadovaných záznamů a ke kontrole chybějících podpisů a objednávek před jejich odesláním.

Budoucnost umělé inteligence pro audity lékařského kódování

Plátci a vládní dodavatelé již využívají datovou analýzu k výběru cílů auditu a poskytovatelé používají podobné nástroje, aby mohli vidět svá rizika jako první. Očekávejte, že AI převezme více ze shromažďování důkazů a kontroly prvního průchodu, přičemž auditoři se zaměří na úsudky, jako je klinické ověřování. Požadavky na obhajitelné audity, včetně platného vzorkování, kvalifikovaných revizorů a dokumentovaných metod, se pravděpodobně neuvolní, protože se software zlepšil. Organizace získávají největší hodnotu, když zjištění umělé inteligence vedou k nápravným opatřením, vrácení peněz tam, kde jsou dlužné, a vzdělávání poskytovatelů.

Uvedení do praxe

Proč na tom záleží

  • Volby sestavy. Návrh na úrovni aplikace určuje, zda AI zlepšuje skutečné výsledky.
  • Tým a pracovní postup. Dobrá integrace pracovních postupů přináší zvýšení produktivity, kterému uživatelé mohou důvěřovat.
  • Riziko a bezpečnost. Dobře vymezené případy použití snižují únavu ze změn a riziko implementace.

Pozor na

  • Automatizace nefunkčního procesu může zesílit stávající problémy.
  • Týmy se mohou přeautomatizovat a odstranit potřebný lidský úsudek.
  • Kvalita se může posunout, pokud výstupy nejsou průběžně vyhodnocovány.

Další kroky

  1. Zmapujte aktuální pracovní postup a identifikujte krok s nejvyšším třením.
  2. Definujte lidské kontrolní body před plnou automatizací.
  3. Školte uživatele o výzvách, eskalačních cestách a standardech kvality.
  4. Sledujte výsledky na úrovni úkolů, abyste potvrdili trvalou hodnotu.

Pokračujte v objevování

Newsletter zdarma

Získejte denní přehled o AI

Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.

Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.

Otestujte se

Take the AI for Medical Coding Audits quiz

Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.

Spustit kvíz

Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte

Často kladené otázky

Co je AI pro audity lékařského kódování?

Umělá inteligence pro audity lékařského kódování používá software k seřazení nároků podle rizika, k porovnání kódů s dokumentací a pravidly plátců a k označení pravděpodobných chyb, aby je auditoři mohli potvrdit. Pomáhá poskytovatelům najít přeplatky a nedoplatky dříve, než to udělají plátci, dodavatelé auditu obnovy nebo OIG. Na tom záleží, protože jakmile je přeplatek identifikován, federální pravidla vyžadují, aby byl nahlášen a vrácen ve stanovených lhůtách.

Nemocniční umělá inteligence zkontrolovala každý ambulantní požadavek a označila 400 chyb. Jaký je stav těchto vlajek?

Příznaky AI jsou vodítka. Zjištěním se stávají až poté, co kvalifikovaný lidský auditor zkontroluje dokumentaci a potvrdí chybu.

Proč nelze použít cílenou kontrolu vysoce rizikových pojistných událostí k odhadu přeplatku u všech pojistných událostí?

Promítnutí výsledků do všech nároků vyžaduje statisticky platný náhodný vzorek. Tvrzení zvolená pro vysoké riziko by nadsazovala chybovost v celé skupině.

Jaký bezplatný nástroj OIG nabízí pro statistické vzorkování?

RAT-STATS je bezplatný statistický software OIG pro navrhování vzorků a odhadování výsledků v rámci větší skupiny nároků.

Nemocnice znovu spustila Medically nepravděpodobné úpravy u placených ambulantních nároků. Co ty kontroly hledaly?

Zdravotně nepravděpodobné úpravy nastavují maximální jednotky služby běžně hlášené pro jednoho pacienta k jednomu datu. Jednotky nad tento limit jsou běžným zjištěním auditu.

Proč pravidlo přeplatku zvyšuje sázky na audit AI?

Federální pravidla vyžadují, aby byly zjištěné přeplatky hlášeny a vráceny, obvykle do 60 dnů, s omezenou pauzou pro vyšetřování v dobré víře. Hledání problémů bez jejich řešení zvyšuje expozici.