Il prossimoProssima guida
Spiegazione della codifica assistita da computer
Industrie
GUIDA alle industrie
L'intelligenza artificiale nella codifica DRG ospedaliera
L’intelligenza artificiale nella codifica DRG ospedaliera utilizza l’elaborazione del linguaggio naturale e l’apprendimento automatico per leggere le cartelle cliniche, suggerire i codici ICD-10-CM e ICD-10-PCS, prevedere l’MS-DRG e contrassegnare diagnosi secondarie che si qualificano come complicanze o comorbidità (CC) o complicazioni o comorbidità maggiori (MCC).
In questa pagina4 minuti di lettura
Panoramica
È importante perché il DRG stabilisce ciò che Medicare paga per la maggior parte dei ricoveri ospedalieri e una diagnosi secondaria ben supportata o scarsamente supportata può spostare un caso in un gruppo di pagamento diverso.
Immersione profonda
CMS ha introdotto i Medicare Severity Diagnosis Related Groups (MS-DRG) nell'anno fiscale 2008. Ogni degenza ospedaliera rientra in un gruppo in base alla diagnosi principale, alle procedure significative, alle diagnosi secondarie e talvolta allo stato di dimissione. Molti DRG di base sono suddivisi in tre livelli di gravità: con un MCC, con un CC o senza nessuno dei due. Il pagamento corrisponde all'incirca al peso relativo del DRG moltiplicato per la tariffa base dell'ospedale, più gli aggiustamenti. Secondo le linee guida ufficiali, la diagnosi principale è la condizione stabilita dopo lo studio come principale responsabile dell'ammissione. Molte controversie derivano dalla scelta di quello sbagliato. L’AI non decide il DRG. Il raggruppatore, un software deterministico, fa proprio questo. L'intelligenza artificiale suggerisce i codici utilizzati dalla cernia. I sistemi di codifica assistiti da computer di fornitori come Solventum (ex 3M Health Information Systems) e Optum leggono la cronologia e i dati fisici, le note sui progressi, i rapporti operativi, i riepiloghi delle dimissioni, i risultati di laboratorio e le registrazioni dei farmaci. Propongono quindi codici con collegamenti al testo di supporto. Gli ospedali li usano in tre modi. Durante il ricovero viene mostrato un DRG funzionante in modo da poter colmare le lacune documentali mentre il paziente è ancora in ospedale. Nella codifica finale accelerano l'assegnazione del codice. Prima della fatturazione, eseguono la convalida DRG, che segnala modelli ad alto rischio come un singolo CC o MCC che trasporta il pagamento, sequenziamento della diagnosi principale discutibile e diagnosi senza un chiaro supporto clinico. Sono comuni diversi malintesi. Più codici non significano automaticamente un DRG più elevato. Negli MS-DRG il livello di gravità dipende dalla presenza o meno di un CC o MCC qualificante e le regole di esclusione del CC eliminano le diagnosi secondarie troppo strettamente correlate alla diagnosi principale. Inoltre, un codice documentato non lo rende clinicamente valido. I contribuenti spesso negano diagnosi come sepsi, malnutrizione o insufficienza respiratoria acuta quando gli indicatori clinici non soddisfano i loro criteri. Alcuni contribuenti utilizzano anche gli APR-DRG, che aggiungono quattro sottoclassi di gravità della malattia e rischio di mortalità e rispondono in modo diverso alle diagnosi secondarie.
Impatto strategico
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.
Il futuro dell’intelligenza artificiale nella codifica DRG ospedaliera
È probabile che gli ospedali utilizzino l’intelligenza artificiale per una maggiore revisione pre-fattura e per preparare le risposte ai declassamenti dei DRG dei pagatori, che sono diventati un onere amministrativo significativo. Gli strumenti che associano ciascun codice all'evidenza clinica e citano la linea guida applicabile o i consigli dell'AHA Coding Clinic si adattano al modo in cui già lavorano gli auditor, quindi è probabile che tale stile si diffonda. La codifica ospedaliera autonoma è più difficile della codifica ambulatoriale perché i ricoveri sono più lunghi e le registrazioni più complesse, quindi i codificatori umani rimarranno probabilmente responsabili dell'assegnazione finale dei DRG per il prossimo futuro.
Implementazione nel mondo reale
Mentre il paziente è ancora ricoverato, uno strumento di codifica computerizzato mostra un DRG funzionante per la polmonite e rileva che un sodio documentato pari a 126 trattato con restrizione di liquidi può supportare un codice di iponatriemia, che potrebbe aggiungere un CC.
Prima della fatturazione, uno strumento di convalida DRG indirizza ogni caso il cui unico MCC è un'insufficienza respiratoria acuta a un revisore di secondo livello, poiché tale diagnosi spesso attira il rifiuto della convalida clinica da parte del pagatore.
Un caso di sepsi viene contrassegnato per la revisione del sequenziamento perché l'IA ha suggerito la polmonite come diagnosi principale mentre il record mostra la sepsi presente al momento del ricovero, il che cambia la famiglia DRG secondo le linee guida ufficiali.
Un modello addestrato sul raggruppatore dell'anno fiscale precedente assegna un DRG che non corrisponde più dopo l'aggiornamento del 1° ottobre. La struttura lo coglie facendo passare ogni suggerimento attraverso la versione cernia legata alla data di dimissione.
Rischi e guardrail
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.
Tabella di marcia per l'implementazione
Coinvolgere esperti del settore dall'inquadramento del problema alla valutazione.
Progettare audit trail e documentazione prima del lancio.
Convalidare tempestivamente la conformità e gli obblighi di sicurezza.
Implementazione in fasi con chiari criteri di stop e rollback.
Continua a esplorare
Free newsletter
Get the daily AI briefing
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
Take the AI in Inpatient DRG Coding quiz
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
Domande frequenti
Che cos'è l'intelligenza artificiale nella codifica DRG ospedaliera?
L’intelligenza artificiale nella codifica DRG ospedaliera utilizza l’elaborazione del linguaggio naturale e l’apprendimento automatico per leggere le cartelle cliniche, suggerire i codici ICD-10-CM e ICD-10-PCS, prevedere l’MS-DRG e contrassegnare diagnosi secondarie che si qualificano come complicanze o comorbidità (CC) o complicazioni o comorbidità maggiori (MCC). È importante perché il DRG stabilisce ciò che Medicare paga per la maggior parte dei ricoveri ospedalieri e una diagnosi secondaria ben supportata o scarsamente supportata può spostare un caso in un gruppo di pagamento diverso.
In un flusso di lavoro di codifica ospedaliero assistito dall'intelligenza artificiale, quale componente assegna effettivamente l'MS-DRG?
L'intelligenza artificiale suggerisce i codici e il raggruppatore utilizza tali codici per calcolare il DRG.
Perché l'aggiunta di ulteriori codici diagnostici secondari non genera automaticamente un MS-DRG?
Il livello dipende dalla presenza o meno di un CC o di un MCC qualificante. I codici aggiuntivi non aggiungono nulla una volta impostato il livello e le regole di esclusione possono annullare l'effetto di un codice.
Per un ricovero ospedaliero di breve durata per cure acute, in che modo le linee guida ufficiali trattano come “probabile” una diagnosi documentata alla dimissione?
Le regole del ricovero consentono di codificare come stabilito le diagnosi incerte documentate alla dimissione. Le regole ambulatoriali no, quindi un modello addestrato sui dati ambulatoriali può sbagliare.
Perché uno strumento di validazione DRG dovrebbe inviare casi il cui unico MCC è l’insufficienza respiratoria acuta a un secondo revisore?
Quando una diagnosi determina il livello di pagamento e viene spesso contestata su basi cliniche, viene esaminata nuovamente prima della fatturazione.
Un modello assegna un DRG utilizzando la cernia dell'ultimo anno fiscale per un paziente dimesso a novembre. Qual è il problema?
La versione raggruppata deve corrispondere alla data di dimissione e le definizioni di un nuovo anno fiscale entrano in vigore il 1° ottobre.
Continua a imparare
Guide correlate
Altre guide selezionate per questo argomento