LegközelebbKövetkező útmutató
AI a HCC kockázatkezelési kódolásban
Iparágak
Társadalom ÚTMUTATÓ
A mesterséges intelligencia felkódolása akkor történik meg, amikor a kódolószoftverek, a számítógéppel támogatott kódolómotorok vagy az AI-dokumentációs eszközök számlázási kódokat javasolnak vagy rendelnek hozzá a szolgáltatási szintnél magasabb szintű vagy súlyosabb, mint amennyit az orvosi feljegyzés támogat.
Ez azért fontos, mert a szolgáltató nyújtja be a követelést, nem a szállító, így az AI-eszközből elfogadott, nem támogatott kódok túlfizetésekké válhatnak, és a szövetségi hamis követelésekről szóló törvény értelmében felelősséget vonhatnak maguk után.
A felkódolás nem új keletű, de az AI megváltoztatja a léptékét és annak módját. A felkódoló személy befolyásolja az általa érintett állításokat. A magasabb kódok felé hajló kódolási modell minden feldolgozott követelést érint. Ez a takarékosság származhat a korábbi számlázási adatokról, amelyek már tartalmaztak felkódolást, egy olyan termékből, amelyet a „bevételrögzítés” maximalizálására építettek, vagy az eszköz által felvett dokumentációs szokásokból, például klónozott feljegyzésekből és hosszú problémalistákból, amelyeket előre másoltak. A generatív dokumentációs eszközök egy második útvonalat adnak hozzá. A környezeti leíró pontosabban vagy súlyosabban fogalmazhat meg egy diagnózist, mint ahogyan azt a klinikus gondolta, és ez a megfogalmazás irányítja a kódot. A jogi kitétel többnyire a hamis követelésekről szóló törvényből származik. A törvény értelmében a szövetségi programokhoz, például a Medicare-hez és a Medicaidhez való hamis követelések háromszoros kártérítéshez, valamint minden egyes követelésre polgári jogi büntetéshez vezethetnek, és a büntetés összegét az inflációhoz igazítják. A csalási szándék bizonyítása nem szükséges. A törvény meghatározása szerint a „tudatosan” magában foglalja a szándékos tudatlanságot és az igazság meggondolatlan figyelmen kívül hagyását. Az AI-javaslatok tömeges, felülvizsgálat nélkül történő elfogadása vagy a belső ellenőrzési megállapítások figyelmen kívül hagyása vitathatatlanul megfelelhet ennek a szabványnak. A qui tam rendelkezései lehetővé teszik, hogy a visszaélést bejelentő magánszemélyek, gyakran kódolók, könyvvizsgálók vagy korábbi alkalmazottak pert indítsanak, és részt vegyenek a helyreállításban. A szövetségi törvény külön-külön előírja a szolgáltatóknak, hogy 60 napon belül jelentsék és visszaküldjék az azonosított Medicare és Medicaid túlfizetéseket, így az AI-vezérelt hibákat feltáró audit visszafizetési kötelezettséget keletkeztet. Három tévhit gyakran felbukkan. Az első az, hogy az eladó viseli a kockázatot. A szerződés tartalmazhat kártalanítást, de a számlaszolgáltató igazolja a követelést. A második az, hogy bármi, amit az AI írt, dokumentációnak számít. A kódokat alá kell támasztani azzal, amit a kezelő klinikus dokumentált és amibe beleegyezett. A harmadik az, hogy az alulkódolás a biztonságos választás. A szisztematikus alulkódolás is pontatlan kódolás. A cél a rekordnak megfelelő kódok, nem pedig az egyik irányba tolt kódok.
A katasztrofális és a mindennapi mesterséges intelligencia okozta károk egyaránt attól függnek, hogy ki érti a kockázatokat, és ki tud cselekedni.
A közéleti és szakmai műveltség határozza meg, hogy politikailag lehetséges-e az erős biztonsági politika.
A világos magyarázatok csökkentik a hírverés, a laboratóriumi PR és a homályos etikai színház általi elkapását.
Az algoritmus-vezérelt kódolás felügyelete valószínűleg nagyobb figyelmet kap, mivel a kormányzati ellenőrök már megvizsgálták, hogyan nyújtják be a diagnózisokat a Medicare Advantage kockázati kiigazítására, és a fizetők saját elemzéseiket használják a számlázási kiugró értékek megtalálásához. A szervezetek kérdéseket várhatnak arra vonatkozóan, hogy kódolóeszközeiket miként validálták, hogyan vizsgálják felül a javaslatokat, és hogy figyelték-e az elsodródást. A bizonyítékokhoz kötött javaslatok és a rendszeres auditjelentések valószínűleg alapelvárásokká válnak a szállítói szerződésekben. Még mindig tisztázatlan, hogy a jövőbeli végrehajtás hogyan kezeli az AI által támogatott kódolást, ezért a dokumentált felülvizsgálati folyamatok ma a leginkább védhető álláspont.
Egy ambuláns E/M javaslatmotor a 99215-ös számot javasolja az utóvizsgálathoz, mert minden bejegyzést számol a másolt, továbbított problémalistában, bár az aznap dokumentált orvosi döntéshozatal csak a 99213-at támogatja.
Egy környező írnok a páciensnek a lépcsőn való szédüléssel kapcsolatos megjegyzését „akut, krónikus szisztolés szívelégtelenséggé” változtatja a jegyzettervezetben. Az orvos felülvizsgálás nélkül aláírja, és a kód olyan súlyosságot ad, amelyet a klinikai nyilvántartásban semmi sem támogat.
A Medicare Advantage diagram-áttekintő eszköze évekkel korábban írt feljegyzésekből gyűjti ki a diagnózisokat, és aktuális kockázat-korrekciós kódként javasolja azokat, még akkor is, ha a jelenlegi találkozás nem mutat bizonyítékot arra, hogy az állapotot megfigyelték, értékelték, értékelték vagy kezelték.
Egy megfelelőségi csoport észreveszi, hogy egy orvos az AI-kódjavaslatok közel 100 százalékát elfogadja, és sokkal több magas szintű látogatást tesz, mint az azonos szakterületen dolgozó kollégák. Fókuszált utólagos auditot rendel el, majd oktatást biztosít és visszatéríti a túlfizetéseket.
Az egzisztenciális kockázat sci-fiként való kezelése, miközben a képesség összetett.
Zavaros felületi termékbiztonság a nagy autonómia melletti igazítással.
A nem angol nyelvű és nem szakértő közönségnek csak rossz minőségű forrásokat kell hagynia.
Különítse el a termékkárok, a visszaélések és az ellenőrzés elvesztésének/hibás beállításának kockázatait.
Kérdezd meg, milyen bizonyítékok változtatnák meg az idővonalakról és a súlyosságról alkotott nézetedet.
Részesítse előnyben az elsődleges forrásokat és a konkrét értékeléseket a marketinges állításokkal szemben.
Határozzon meg egy cselekvési utat: karrier, politika, finanszírozás vagy készségek – nem csak a tudatosság.
Free newsletter
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
A mesterséges intelligencia felkódolása akkor történik meg, amikor a kódolószoftverek, a számítógéppel támogatott kódolómotorok vagy az AI-dokumentációs eszközök számlázási kódokat javasolnak vagy rendelnek hozzá a szolgáltatási szintnél magasabb szintű vagy súlyosabb, mint amennyit az orvosi feljegyzés támogat. Ez azért fontos, mert a szolgáltató nyújtja be a követelést, nem a szállító, így az AI-eszközből elfogadott, nem támogatott kódok túlfizetésekké válhatnak, és a szövetségi hamis követelésekről szóló törvény értelmében felelősséget vonhatnak maguk után.
Egy személy befolyásolja az általa kezelt követeléseket. A szisztematikus lean modellek ugyanazt a hibát léptékben megismétlik minden olyan követelésnél, amelyet érint.
A törvény meghatározása szerint a „tudatosan” magában foglalja a szándékos tudatlanságot és a meggondolatlan figyelmen kívül hagyást, így a mesterséges intelligencia kibocsátásának tömeges, felülvizsgálat nélküli elfogadása expozícióhoz vezethet.
Bármit is mond a szerződés, a szolgáltató nyújtja be és igazolja a követelést, így a kormányzattal szembeni felelősség a szolgáltatónál kezdődik.
A szolgáltatóknak 60 napon belül be kell jelenteniük és vissza kell küldeniük az azonosított Medicare és Medicaid túlfizetéseket, így az audit megállapításai visszafizetési kötelezettséget jelentenek.
Szinte minden javaslat elfogadása általában azt jelenti, hogy a bírálók abbahagyták az ellenőrzést, nem pedig azt, hogy a modell mindig helyes.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
AI a HCC kockázatkezelési kódolásban
Iparágak