VolgendeVolgende gids
AI voor codering op E/M-niveau
Toepassingen
ToepassingenGIDS
AI voor medische coderingsaudits
AI voor medische coderingsaudits maakt gebruik van software om claims te rangschikken op basis van risico, codes te vergelijken met documentatie en betalerregels, en waarschijnlijke fouten te markeren zodat menselijke auditors deze kunnen bevestigen.
Op deze pagina4 minuten lezen
Overzicht
Het helpt aanbieders bij het opsporen van te hoge en te lage betalingen voordat betalers, Recovery Audit Contractors of de OIG dat doen. Dat is van belang, want zodra een te veel betaald bedrag is vastgesteld, vereisen de federale regels dat dit binnen de gestelde termijnen wordt gerapporteerd en teruggestuurd.
Diepe duik
Codeeraudits zijn er in twee vormen. Bij toekomstige audits worden claims beoordeeld voordat ze worden gefactureerd. Retrospectieve audits beoordelen reeds uitbetaalde claims. Zowel interne als externe reviewers doen dit werk. Externe reviewers zijn onder meer Medicare Administrative Contractors (MAC's), die Targeted Probe and Educate-beoordelingen uitvoeren; Contractanten voor herstelaudits; Unified Program Integrity-aannemers; Het uitgebreide foutpercentagetestprogramma van CMS; het HHS-bureau van inspecteur-generaal; en commerciële en Medicare Advantage-betalers. In de General Compliance Program Guidance van de OIG, uitgebracht in november 2023, worden audits en monitoring genoemd als kernelement van een complianceprogramma. AI helpt op drie plaatsen. Ten eerste kiest u voor risicoscores waar u moet zoeken. Het vergelijkt codedistributies met die van collega's, signaleert ongebruikelijk gebruik van modifiers en signaleert schendingen van bewerkingen. Ten tweede vergelijkt geautomatiseerde beoordeling elke code met de documentatie en betalerregels, zoals NCCI-bewerkingen en lokale en nationale dekkingsbepalingen. Vervolgens stelt zij een bevinding op met het ondersteunende bewijsmateriaal. Ten derde worden de resultaten meegenomen in de rapportage en voorlichting, opgesplitst per provider, code of fouttype. De belangrijkste misvatting is dat het beoordelen van 100 procent van de claims met AI statistische steekproeven vervangt. Dat is niet het geval. Een AI-vlag is een aanwijzing en geen bevinding, totdat een gekwalificeerde auditor deze bevestigt. Om te schatten hoeveel een te veel betaald bedrag waard is voor een hele groep claims, heeft u een gedocumenteerde, statistisch geldige steekproefmethode nodig. De OIG biedt hiervoor gratis RAT-STATS-software aan. Gerichte beoordelingen van claims met een hoog risico zijn nuttig, maar kunnen niet op de hele groep claims worden geprojecteerd. De inzet vloeit voort uit de federale regels voor te hoge betalingen, die vereisen dat te veel betaalde bedragen binnen 60 dagen na vaststelling ervan worden gerapporteerd en terugbetaald. CMS heeft de regel in 2024 bijgewerkt om een beperkte pauze in die deadline mogelijk te maken terwijl er te goeder trouw een onderzoek loopt. Een AI-systeem dat problemen aan het licht brengt, maar geen proces heeft om ze op te lossen, kan blootstelling creëren in plaats van verminderen.
Strategische impact
Bouwkeuzes
Ontwerp op applicatieniveau bepaalt of AI de werkelijke resultaten verbetert.
Team en workflow
Een goede workflowintegratie zorgt voor productiviteitswinst waar gebruikers op kunnen vertrouwen.
Risico en veiligheid
Goed gedefinieerde gebruiksscenario's verminderen de veranderingsmoeheid en het implementatierisico.
De toekomst van AI voor medische coderingsaudits
Betalers en overheidscontractanten maken al gebruik van data-analyse om auditdoelen te kiezen, en aanbieders gebruiken soortgelijke tools zodat ze als eerste hun risico's kunnen zien. Verwacht dat AI een groter deel van het verzamelen van bewijsmateriaal en de first-pass review op zich zal nemen, waarbij menselijke auditors zich zullen concentreren op beoordelingsgesprekken zoals klinische validatie. Het is onwaarschijnlijk dat de vereisten voor verdedigbare audits, inclusief geldige steekproeven, gekwalificeerde beoordelaars en gedocumenteerde methoden, zullen versoepelen omdat de software is verbeterd. Organisaties krijgen de meeste waarde wanneer AI-bevindingen leiden tot corrigerende maatregelen, terugbetalingen indien verschuldigd, en voorlichting van leveranciers.
Implementatie in de echte wereld
Een artsengroep laat AI elke E/M-claim van het laatste kwartaal beoordelen op risico. Auditors trekken vervolgens een willekeurige steekproef uit de artsen met het hoogste risico en bekijken deze grafieken met de hand.
Een ziekenhuis voert de NCCI-controles van procedure tot procedure en Medically Likely Edit-controles opnieuw uit op basis van reeds betaalde poliklinische claims. Er worden regels gevonden waar de gefactureerde eenheden de bewerkingslimiet overschrijden.
Voordat de kosten in rekening worden gebracht, signaleert een AI intramurale gevallen waarbij een grote complicatie berust op één vermelding van acuut ademhalingsfalen zonder ondersteunende klinische indicatoren. Een specialist in klinische documentatie beoordeelt elk geval voordat de claim wordt verzonden.
Nadat een Medicare-aannemer een gerichte onderzoek- en onderwijsbeoordeling heeft aangekondigd, gebruikt het complianceteam AI om de gevraagde gegevens te verzamelen en te controleren op ontbrekende handtekeningen en bestellingen voordat deze worden verzonden.
Risico's en vangrails
Het automatiseren van een kapot proces kan bestaande problemen versterken.
Teams kunnen overautomatiseren en het benodigde menselijke oordeel wegnemen.
De kwaliteit kan afwijken als de resultaten niet voortdurend worden geëvalueerd.
Implementatie routekaart
Breng de huidige workflow in kaart en identificeer de stap met de hoogste wrijving.
Definieer menselijke controlepunten vóór volledige automatisering.
Train gebruikers op het gebied van prompts, escalatiepaden en kwaliteitsnormen.
Volg de resultaten op taakniveau om duurzame waarde te bevestigen.
Blijf verkennen
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 for Medical Coding Audits 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
Veelgestelde vragen
Wat is AI voor medische coderingsaudits?
AI voor medische coderingsaudits maakt gebruik van software om claims te rangschikken op basis van risico, codes te vergelijken met documentatie en betalerregels, en waarschijnlijke fouten te markeren zodat menselijke auditors deze kunnen bevestigen. Het helpt aanbieders bij het opsporen van te hoge en te lage betalingen voordat betalers, Recovery Audit Contractors of de OIG dat doen. Dat is van belang, want zodra een te veel betaald bedrag is vastgesteld, vereisen de federale regels dat dit binnen de gestelde termijnen wordt gerapporteerd en teruggestuurd.
De AI van een ziekenhuis beoordeelde elke poliklinische claim en signaleerde 400 fouten. Wat is de status van die vlaggen?
AI-vlaggen zijn leads. Het worden pas bevindingen nadat een gekwalificeerde menselijke auditor de documentatie heeft beoordeeld en de fout heeft bevestigd.
Waarom kan een gerichte beoordeling van claims met een hoog risico niet worden gebruikt om een schatting te maken van het te veel betaalde bedrag voor alle claims?
Voor het projecteren van resultaten op alle claims is een statistisch geldige willekeurige steekproef vereist. Claims die vanwege een hoog risico worden gekozen, zouden het foutenpercentage voor de hele groep overschatten.
Welke gratis tool biedt de OIG voor statistische steekproeven?
RAT-STATS is de gratis statistische software van de OIG voor het ontwerpen van steekproeven en het schatten van resultaten voor een grotere groep claims.
Het ziekenhuis heeft de Medically Likely Edits (Medisch onwaarschijnlijke bewerkingen) van betaalde poliklinische claims opnieuw uitgevoerd. Waar waren die cheques naar op zoek?
Medisch onwaarschijnlijke bewerkingen stellen de maximale eenheden in van een dienst die normaal gesproken voor één patiënt op één datum wordt gerapporteerd. Eenheden boven die limiet zijn een veel voorkomende auditbevinding.
Waarom verhoogt de regel over te veel betalen de inzet van AI-audits?
Federale regels vereisen dat geïdentificeerde te hoge betalingen worden gerapporteerd en geretourneerd, doorgaans binnen 60 dagen, met een beperkte pauze voor onderzoek te goeder trouw. Het vinden van problemen zonder ze op te lossen vergroot de blootstelling.
Blijf leren
Gerelateerde gidsen
Er zijn meer handleidingen voor dit onderwerp geselecteerd