GUIDA alle industrie

L'intelligenza artificiale nella gestione del rifiuto dei sinistri

L'intelligenza artificiale nella gestione del rifiuto dei sinistri utilizza l'apprendimento automatico e modelli linguistici per prevedere quali reclami è probabile che un pagatore neghi prima che vengano inviati, ordinare e instradare i rifiuti dopo il loro arrivo e redigere lettere di ricorso.

Ascolta questa guidaNarrato dall'IA · ~3 min

In questa pagina4 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro dell'intelligenza artificiale nella gestione del rifiuto dei sinistri
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

I rifiuti ritardano i pagamenti e costano tempo al personale e molti di essi sono prevenibili. Gli assicuratori utilizzano anche algoritmi per esaminare e negare le richieste di indennizzo, il che ha portato a cause legali e nuove norme federali e statali.

Immersione profonda

Un reclamo si muove attraverso transazioni elettroniche standard. Viene inviato come X12 837. Il pagatore lo riconosce e un rifiuto in quella fase significa che il reclamo non è mai stato elaborato. La decisione del pagatore ritorna su una rimessa 835 con i codici motivo di adeguamento dei reclami (CARC) e i codici di segnalazione dell'avviso di rimessa. Gli esempi includono CO-16 per informazioni mancanti, CO-50 per servizi non ritenuti necessari dal punto di vista medico, CO-29 per un termine di presentazione scaduto e CO-197 per un'autorizzazione mancante. Questi codici forniscono ai sistemi di intelligenza artificiale una storia etichettata da cui imparare. L'intelligenza artificiale lato provider funziona in tre modi. I modelli di previsione apprendono dalle richieste passate e dai loro esiti, utilizzando funzionalità quali pagatore, combinazioni di procedure e diagnosi, modificatori e stato di autorizzazione. Assegnano nuove affermazioni prima della presentazione. Gli strumenti di classificazione leggono le rimesse e le lettere dei pagatori, raggruppano i rifiuti per causa principale e li inviano al team che può risolverli. I modelli linguistici redigono ricorsi. Sono utili ma possono inventare un linguaggio politico o citare erroneamente il grafico, quindi un essere umano deve controllare ogni citazione. Anche gli assicuratori utilizzano l’automazione. A partire dal 2023, le azioni legali hanno accusato UnitedHealth e Humana di utilizzare lo strumento naviHealth nH Predict per interrompere le cure post-acute per i pazienti Medicare Advantage e hanno accusato Cigna di utilizzare il suo sistema PxDx per respingere le richieste in blocco senza revisione individuale. Le società contestano le affermazioni. Le regole CMS per Medicare Advantage entrate in vigore nel 2024 affermano che le decisioni sulla copertura devono basarsi sulle circostanze del singolo paziente, non solo su un algoritmo. Una regola CMS separata del 2024 stabilisce tempi più rapidi per le decisioni di autorizzazione preventiva e richiede interfacce elettroniche di autorizzazione preventiva. Alcuni stati, inclusa la California, hanno approvato leggi che richiedono che i medici autorizzati prendano decisioni relative alle necessità mediche. Un malinteso comune è che un rifiuto sia definitivo. Molti dinieghi vengono annullati in appello e i programmi di diniego più efficaci risolvono la causa a monte, come la registrazione, l’autorizzazione o la documentazione, in modo che lo stesso diniego smetta di verificarsi.

Implementazione nel mondo reale

Prima che venga presentata una richiesta di risonanza magnetica ambulatoriale, un modello la contrassegna come ad alto rischio. Questo pagatore ha ripetutamente negato richieste simili con codice motivo CO-197 (precertificazione assente) quando non era allegato alcun numero di autorizzazione. Il personale trova l'autorizzazione e la aggiunge prima che il reclamo venga emesso.

Una coda di lavoro di rifiuto raggruppa le 835 rimesse in entrata per codice motivo e pagatore. Una serie di rifiuti CO-16 (informazioni mancanti) va al team di registrazione piuttosto che ai programmatori, che comunque non potrebbero risolvere tali affermazioni.

Uno specialista in ricorsi utilizza un modello linguistico per redigere un ricorso per necessità mediche. Cita i criteri politici del pagatore e gli estratti corrispondenti dal grafico. Un medico controlla ogni citazione rispetto alla politica effettiva e alla registrazione prima che la lettera venga spedita.

Il team contraente di un ospedale tiene traccia della frequenza con cui un pagatore rifiuta una particolare procedura dopo una revisione automatizzata. Utilizza il modello nelle trattative contrattuali e in un reclamo all'autorità di regolamentazione delle assicurazioni statali.

Il futuro dell'intelligenza artificiale nella gestione del rifiuto dei sinistri

La gestione del rifiuto sta diventando una competizione tra l’automazione lato fornitore e lato pagatore, con i regolatori che stabiliscono limiti su come gli algoritmi possono essere utilizzati nelle decisioni di copertura. L'autorizzazione preventiva elettronica ai sensi delle norme di interoperabilità CMS può prevenire alcuni rifiuti risolvendo i requisiti prima che venga fornita l'assistenza, ma solo se i contribuenti e i fornitori di cartelle cliniche elettroniche la implementano correttamente. Le cause legali sui dinieghi algoritmici sono ancora in corso nei tribunali e i loro risultati potrebbero influenzare la quantità di documenti che i contribuenti umani devono documentare. Per i fornitori, i guadagni costanti derivano dal risolvere le cause profonde dei rifiuti piuttosto che dal scrivere ricorsi più velocemente.

Metterlo in pratica

Perché è importante

  • Contesto e regole. Il contesto del settore determina se le idee dell’intelligenza artificiale sopravvivono al contatto con la realtà.
  • Controllo di qualità. I vincoli di dominio influenzano i tassi di errore accettabili e i modelli di supervisione.
  • Scelte di build. Le implementazioni di successo allineano le capacità tecniche con i flussi di lavoro in prima linea.

Attenzione

  • I requisiti normativi possono invalidare prototipi altrimenti robusti.
  • I dati storici possono codificare pregiudizi che danneggiano comunità specifiche.
  • I sistemi legacy possono creare colli di bottiglia nell’integrazione e costi nascosti.

Prossimi passi

  1. Coinvolgere esperti del settore dall'inquadramento del problema alla valutazione.
  2. Progettare audit trail e documentazione prima del lancio.
  3. Convalidare tempestivamente la conformità e gli obblighi di sicurezza.
  4. Implementazione in fasi con chiari criteri di stop e rollback.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

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

Take the AI in Claim Denial Management quiz

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

Che cos'è l'intelligenza artificiale nella gestione del rifiuto dei sinistri?

L'intelligenza artificiale nella gestione del rifiuto dei sinistri utilizza l'apprendimento automatico e modelli linguistici per prevedere quali reclami è probabile che un pagatore neghi prima che vengano inviati, ordinare e instradare i rifiuti dopo il loro arrivo e redigere lettere di ricorso. I rifiuti ritardano i pagamenti e costano tempo al personale e molti di essi sono prevenibili. Gli assicuratori utilizzano anche algoritmi per esaminare e negare le richieste di indennizzo, il che ha portato a cause legali e nuove norme federali e statali.

Nell'esempio della risonanza magnetica, cosa ha rilevato il modello di previsione prima dell'invio?

CO-197 significa che la precertificazione o l'autorizzazione erano assenti. Il modello ha appreso dalla storia del pagatore che richieste di questo tipo senza numero di autorizzazione tendono ad essere respinte.

In cosa differisce il rigetto della domanda dal diniego?

I rifiuti avvengono al momento della conferma, prima che il pagatore elabori il reclamo. I rifiuti ritornano sull'835 dopo che la richiesta è stata elaborata. Le loro cause e soluzioni differiscono, quindi i modelli dovrebbero tenerli separati.

Perché la coda di lavoro invia i rifiuti CO-16 al personale di registrazione anziché ai codificatori?

CO-16 significa che nella richiesta mancano le informazioni necessarie per l'elaborazione. Si tratta spesso di dati demografici o assicurativi acquisiti al momento della registrazione, quindi l'instradamento in base alla causa principale li invia al team che può risolverli.

Qual è il rischio principale derivante dall’utilizzo di un modello linguistico per redigere lettere di ricorso?

I modelli linguistici possono produrre testo che sembra giusto ma è sbagliato. Un essere umano deve controllare ogni citazione politica ed estratto di grafico, idealmente con un controllo automatico che ogni citazione appaia nella fonte.

Cosa dicono le regole CMS Medicare Advantage in vigore nel 2024 sugli algoritmi nelle decisioni di copertura?

CMS ha affermato che i piani Medicare Advantage devono basare le decisioni di copertura sulle circostanze del singolo paziente e un algoritmo da solo non è sufficiente.