Il prossimoProssima guida
AI per la codifica di livello E/M
Applicazioni
GUIDA alle applicazioni
L’intelligenza artificiale per gli audit di codifica medica utilizza software per classificare le richieste in base al rischio, confrontare i codici con la documentazione e le regole del pagatore e segnalare probabili errori affinché gli auditor umani possano confermarli.
Ascolta questa guidaNarrato dall'IA · ~3 min
Aiuta i fornitori a individuare i pagamenti in eccesso e in difetto prima che lo facciano i pagatori, gli appaltatori dell'audit di recupero o l'OIG. Ciò è importante perché una volta identificato un pagamento in eccesso, le norme federali richiedono che venga segnalato e restituito entro scadenze prestabilite.
Gli audit di codifica sono disponibili in due forme. I futuri audit esaminano le richieste prima della fatturazione. Gli audit retrospettivi esaminano le richieste già pagate. Sia i revisori interni che quelli esterni svolgono questo lavoro. I revisori esterni includono gli appaltatori amministrativi di Medicare (MAC), che eseguono revisioni di sondaggi mirati ed Educate; Appaltatori dell'audit di recupero; Appaltatori per l'integrità del Programma unificato; Programma completo di test del tasso di errore di CMS; l'ufficio dell'ispettore generale dell'HHS; e contribuenti commerciali e Medicare Advantage. La Guida generale al programma di conformità dell'OIG, pubblicata nel novembre 2023, elenca l'auditing e il monitoraggio come elemento centrale di un programma di conformità. L’intelligenza artificiale aiuta in tre punti. Innanzitutto, il punteggio di rischio sceglie dove cercare. Confronta le distribuzioni del codice con i peer, segnala l'uso insolito dei modificatori e individua le violazioni di modifica. In secondo luogo, la revisione automatizzata confronta ciascun codice con la documentazione e le regole del pagatore, come le modifiche dell’NCCI e le determinazioni della copertura locale e nazionale. Quindi redige una constatazione con le prove a sostegno. In terzo luogo, i risultati confluiscono nel reporting e nella formazione, suddivisi per fornitore, codice o tipo di errore. L’idea sbagliata più importante è che la revisione del 100% delle richieste con l’intelligenza artificiale sostituisca il campionamento statistico. Non è così. Un indicatore AI è un indizio, non un risultato, finché non viene confermato da un revisore qualificato. Per stimare il valore di un pagamento in eccesso in un intero gruppo di sinistri, è necessario un metodo di campionamento documentato e statisticamente valido. L'OIG offre il software RAT-STATS gratuito per questo. Le revisioni mirate delle richieste ad alto rischio sono utili, ma non possono essere proiettate sull'intero gruppo di richieste. La posta in gioco deriva dalle norme federali sui pagamenti in eccesso, che richiedono che i pagamenti in eccesso siano segnalati e restituiti entro 60 giorni dalla loro identificazione. CMS ha aggiornato la norma nel 2024 per consentire una pausa limitata rispetto a tale scadenza mentre è in corso un’indagine in buona fede. Un sistema di intelligenza artificiale che fa emergere i problemi ma non dispone di un processo per risolverli può creare esposizione anziché ridurla.
Un gruppo di medici ha un punteggio AI per ogni richiesta E/M dell'ultimo trimestre in termini di rischio. I revisori quindi prelevano un campione casuale dai medici a più alto rischio e rivedono manualmente i grafici.
Un ospedale esegue nuovamente i controlli NCCI da procedura a procedura e Modifica clinicamente improbabile rispetto alle richieste ambulatoriali già pagate. Trova le righe in cui le unità fatturate hanno superato il limite di modifica.
Prima della fatturazione, un AI segnala i casi di degenza in cui una complicanza maggiore si basa su una menzione di insufficienza respiratoria acuta senza indicatori clinici di supporto. Uno specialista della documentazione clinica esamina ogni caso prima che la richiesta venga inviata.
Dopo che un appaltatore di Medicare ha annunciato una revisione mirata di sondaggio ed educazione, il team di conformità utilizza l'intelligenza artificiale per raccogliere i record richiesti e verificare la presenza di firme e ordini mancanti prima di inviarli.
I pagatori e gli appaltatori governativi utilizzano già l’analisi dei dati per scegliere gli obiettivi di audit, e i fornitori stanno adottando strumenti simili in modo da poter vedere per primi i propri rischi. Aspettatevi che l’intelligenza artificiale si faccia carico di una parte maggiore della raccolta delle prove e della revisione di primo passaggio, con gli auditor umani che si concentreranno sui giudizi come la validazione clinica. È improbabile che i requisiti per audit difendibili, inclusi campioni validi, revisori qualificati e metodi documentati, si allentino a causa del miglioramento del software. Le organizzazioni ottengono il massimo valore quando i risultati dell'intelligenza artificiale portano ad azioni correttive, rimborsi laddove dovuti e formazione dei fornitori.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
L’intelligenza artificiale per gli audit di codifica medica utilizza software per classificare le richieste in base al rischio, confrontare i codici con la documentazione e le regole del pagatore e segnalare probabili errori affinché gli auditor umani possano confermarli. Aiuta i fornitori a individuare i pagamenti in eccesso e in difetto prima che lo facciano i pagatori, gli appaltatori dell'audit di recupero o l'OIG. Ciò è importante perché una volta identificato un pagamento in eccesso, le norme federali richiedono che venga segnalato e restituito entro scadenze prestabilite.
Le bandiere AI sono lead. Diventano risultati solo dopo che un revisore umano qualificato ha esaminato la documentazione e confermato l’errore.
La proiezione dei risultati su tutte le richieste richiede un campione casuale statisticamente valido. Le affermazioni scelte per il rischio elevato sovrastimerebbero il tasso di errore nell'intero gruppo.
RAT-STATS è il software statistico gratuito dell'OIG per la progettazione di campioni e la stima dei risultati in un gruppo più ampio di sinistri.
Le modifiche clinicamente improbabili stabiliscono le unità massime di un servizio normalmente riportato per un paziente in una data. Le unità al di sopra di tale limite rappresentano un risultato di audit comune.
Le norme federali richiedono che i pagamenti in eccesso identificati vengano segnalati e restituiti, generalmente entro 60 giorni, con una pausa limitata per indagini in buona fede. Trovare problemi senza risolverli aumenta l’esposizione.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
AI per la codifica di livello E/M
Applicazioni