LegközelebbKövetkező útmutató
Egészségbiztosítási kárigény elutasítási algoritmusai
Társadalom
Iparági ÚTMUTATÓ
Az AI a kifizetési megtagadások kezelésében gépi tanulást és nyelvi modelleket használ arra, hogy előre jelezze, mely igényeket valószínűleg megtagadják a fizető, mielőtt benyújtanák, majd a megtagadásokat rendezze és irányítsa, miután megérkeznek, és felkészítse a fellebbezési leveleket.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
A megtagadások késleltetik a kifizetést és időt vesznek igénybe a személyzet, és sok esetben megelőzhetők. Az biztosítók is algoritmusokat használnak az igények áttekintésére és megtagadására, ami peres eljárásokhoz és új szövetségi és állami szabályozásokhoz vezetett.
A claim moves through standard electronic transactions. It is sent as an X12 837. The payer acknowledges it, and a rejection at that stage means the claim never entered processing. The payer's decision comes back on an 835 remittance with Claim Adjustment Reason Codes (CARCs) and Remittance Advice Remark Codes. Examples include CO-16 for missing information, CO-50 for services not deemed medically necessary, CO-29 for an expired filing deadline and CO-197 for a missing authorization. These codes give AI systems labeled history to learn from. Provider-side AI works in three ways. Prediction models learn from past claims and their outcomes, using features such as payer, procedure and diagnosis combinations, modifiers and authorization status. They score new claims before submission. Classification tools read remittances and payer letters, group denials by root cause and send them to the team that can fix them. Language models draft appeals. They are useful but can invent policy language or misquote the chart, so a human must check every citation. Insurers use automation too. Starting in 2023, lawsuits accused UnitedHealth and Humana of using the naviHealth nH Predict tool to cut off post-acute care for Medicare Advantage patients, and accused Cigna of using its PxDx system to reject claims in bulk without individual review. The companies dispute the claims. CMS rules for Medicare Advantage that took effect in 2024 say coverage decisions must rest on the individual patient's circumstances, not an algorithm alone. A separate 2024 CMS rule sets faster prior authorization decision timeframes and requires electronic prior authorization interfaces. Some states, including California, have passed laws requiring that licensed clinicians make medical-necessity decisions. A common misconception is that a denial is final. Many denials are overturned on appeal, and the most effective denial programs fix the upstream cause, such as registration, authorization or documentation, so the same denial stops happening.
Mielőtt egy ambulatori MRI igény benyújtásra kerül, egy modell magas kockázatúnak jelöli. Ez a fizető többször megtagadta hasonló igényeket CO-197 (előzetes jóváhagyás hiánya) kóddal, amikor nem csatoltak engedélyezési számot. A személyzet megtalálja az engedélyt, és hozzáadja, mielőtt az igény kimenne.
Egy megtagadási munkasorozat csoportosítja a bejövő 835 kifizetéseket okkód és fizető szerint. Egy CO-16 (hiányzó információ) csoportot a regisztrációs csapat kap, nem a kódolók, akik valójában nem tudták volna javítani ezeket az igényeket.
Egy fellebbezési szakember nyelvi modellt használ egy orvosi szükségesség fellebbezésének megfogalmazásához. Hivatkozik a fizető szabályzatának kritériumaira és a diagramról származó idézetekre. Egy klinikus ellenőrzi minden hivatkozást a tényleges szabályzat és a rekord ellen, mielőtt a levél kimenne.
Egy kórház szerződéskötő csapata nyomon követi, hogy egy fizető mennyire gyakran tagad egy adott eljárást egy automatizált felülvizsgálat után. A szerződéses tárgyalások és egy panasz a állami biztosítási szabályozóhoz használt mintát használja.
A megtagadáskezelés egy versenyévé válik a szolgáltató- és a fizetőoldali automatizáció között, a szabályozók pedig korlátozzák, hogy az algoritmusok milyen mértékben használhatók a fedezet döntéseiben. A CMS interoperabilitási szabályai alapján az elektronikus előzetes engedélyezés megakadályozhat néhány megtagadást azáltal, hogy a követelményeket a kezelés előtt rendezik, de csak akkor, ha a fizetők és az EHR-szolgáltatók jól implementálják. Az algoritmusos megtagadásokkal kapcsolatos peres eljárások még mindig a bíróságokon keresztül haladnak, és eredményeik meghatározhatják, mennyi emberi felülvizsgálatot kell dokumentálni a fizetőknek. A szolgáltatók számára a folyamatos előnyök a megtagadások gyökér okainak javításából származnak, nem a fellebbezések gyorsabb írásából.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Az AI a kifizetési megtagadások kezelésében gépi tanulást és nyelvi modelleket használ arra, hogy előre jelezze, mely igényeket valószínűleg megtagadják a fizető, mielőtt benyújtanák, rendezze és irányítsa a megtagadásokat, miután megérkeznek, és felkészítse a fellebbezési leveleket. A megtagadások késleltetik a kifizetést és időt vesznek igénybe a személyzet, és sok esetben megelőzhetők. Az biztosítók is algoritmusokat használnak az igények áttekintésére és megtagadására, ami peres eljárásokhoz és új szövetségi és állami szabályozásokhoz vezetett.
CO-197 azt jelenti, hogy előzetes jóváhagyás vagy engedély hiányzik. A modell a fizető előzményeiből tanulta, hogy ilyen igények engedélyezési szám nélkül hajlamosak megtagadásra.
Az elutasítások a jóváhagyáskor történnek, mielőtt a fizető feldolgozná az igényt. A megtagadások visszatérnek az 835-ön, miután az igényt feldolgozták. Az okok és a javítások különböznek, ezért a modelleknek külön kell kezelniük őket.
CO-16 azt jelenti, hogy az igény hiányos információval rendelkezik a feldolgozáshoz. Ez gyakran demográfiai vagy biztosítási adatok, amelyeket a regisztráció során rögzítenek, így a gyökér ok alapján történő irányítás a javító csapathoz juttatja.
A nyelvi modellek olyan szöveget hozhatnak létre, amely helyesnek tűnik, de téves. Egy embernek ellenőriznie kell minden szabályzati hivatkozást és diagramkivonatot, ideális esetben egy automatikus ellenőrzéssel, amely megerősíti, hogy minden idézet a forrásban szerepel.
A CMS azt mondta, hogy a Medicare Advantage terveknek az egyéni beteg körülményein alapuló fedezet döntéseket kell hozniuk, és egy algoritmus önmagában nem elegendő.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Egészségbiztosítási kárigény elutasítási algoritmusai
Társadalom