Gids voor industrieën

AI bij intramurale DRG-codering

AI bij intramurale DRG-codering maakt gebruik van natuurlijke taalverwerking en machinaal leren om ziekenhuisdossiers te lezen, ICD-10-CM- en ICD-10-PCS-codes voor te stellen, de MS-DRG te voorspellen en secundaire diagnoses te markeren die in aanmerking komen als complicaties of comorbiditeiten (CC's) of grote complicaties of comorbiditeiten (MCC's).

Luister naar deze gidsAI-verteld · ~3 min

Op deze pagina4 minuten lezen
  1. Overzicht
  2. Diepe duik
  3. Implementatie in de echte wereld
  4. De toekomst van AI bij intramurale DRG-codering
  5. Het in de praktijk brengen
  6. Blijf verkennen
  7. Veelgestelde vragen

Overzicht

Het is van belang omdat de DRG bepaalt wat Medicare betaalt voor de meeste intramurale verblijven, en één goed ondersteunde of slecht ondersteunde secundaire diagnose kan een zaak naar een andere betalingsgroep verplaatsen.

Diepe duik

CMS introduceerde Medicare Severity Diagnosis Related Groups (MS-DRG's) in het fiscale jaar 2008. Elk verblijf in een ziekenhuis wordt in één groep ondergebracht op basis van de hoofddiagnose, belangrijke procedures, secundaire diagnoses en soms de ontslagstatus. Veel basis-DRG's zijn onderverdeeld in drie ernstniveaus: met een MCC, met een CC, of ​​met geen van beide. De betaling is grofweg het relatieve gewicht van de DRG, vermenigvuldigd met het basisbedrag van het ziekenhuis, plus aanpassingen. Volgens de officiële richtlijnen is de hoofddiagnose de aandoening die na onderzoek is vastgesteld en die hoofdzakelijk verantwoordelijk is voor de opname. Veel geschillen komen voort uit het kiezen van de verkeerde. AI beslist niet over de DRG. De tandbaars, een deterministisch stukje software, doet dat. AI suggereert de codes die de tandbaars gebruikt. Computerondersteunde coderingssystemen van leveranciers zoals Solventum (voorheen 3M Health Information Systems) en Optum lezen geschiedenis en fysieke gegevens, voortgangsnotities, operatierapporten, ontslagsamenvattingen, laboratoriumresultaten en medicatiedossiers. Vervolgens stellen ze codes voor met links naar de ondersteunende tekst. Ziekenhuizen gebruiken ze op drie manieren. Tijdens het verblijf laten ze een werkende DRG zien, zodat lacunes in de documentatie kunnen worden verholpen terwijl de patiënt nog in het ziekenhuis ligt. Bij de definitieve codering versnellen ze de codetoewijzing. Voordat ze factureren, voeren ze een DRG-validatie uit, die patronen met een hoog risico signaleert, zoals een enkele CC of MCC die de betaling draagt, twijfelachtige volgorde van hoofddiagnoses en diagnoses zonder duidelijke klinische ondersteuning. Verschillende misvattingen komen vaak voor. Meer codes betekenen niet automatisch een hogere DRG. Bij MS-DRG's hangt de ernstgraad af van de vraag of er ten minste één kwalificerende CC of MCC aanwezig is, en CC-uitsluitingsregels laten secundaire diagnoses vallen die te nauw verband houden met de hoofddiagnose. Een gedocumenteerde code maakt deze ook niet klinisch geldig. Betalers ontkennen vaak diagnoses zoals sepsis, ondervoeding of acuut ademhalingsfalen wanneer de klinische indicatoren niet aan hun criteria voldoen. Sommige betalers maken ook gebruik van APR-DRG's, die vier subklassen voor de ernst van de ziekte en het risico op sterfte toevoegen en verschillend reageren op secundaire diagnoses.

Implementatie in de echte wereld

Terwijl de patiënt nog steeds wordt opgenomen, toont een computerondersteund coderingshulpmiddel een werkende DRG voor longontsteking en merkt op dat een gedocumenteerd natrium van 126 behandeld met vloeistofbeperking een hyponatriëmiecode kan ondersteunen, die een CC zou kunnen toevoegen.

Voordat een DRG-validatietool wordt gefactureerd, wordt elk geval waarvan de enige MCC acuut respiratoir falen is, doorgestuurd naar een tweedelijnsbeoordelaar, omdat die diagnose vaak leidt tot weigeringen van klinische validatie door de betaler.

Een geval van sepsis wordt gemarkeerd voor beoordeling van de sequentie, omdat de AI longontsteking als hoofddiagnose voorstelde, terwijl uit het dossier blijkt dat sepsis aanwezig was bij opname, wat de DRG-familie volgens officiële richtlijnen verandert.

Een model dat is getraind op de tandbaars van het voorgaande fiscale jaar wijst een DRG toe die niet meer overeenkomt na de update van 1 oktober. De faciliteit vangt dit op door elke suggestie door de tandbaarsversie te laten lopen, gekoppeld aan de ontslagdatum.

De toekomst van AI bij intramurale DRG-codering

Ziekenhuizen zullen AI waarschijnlijk gaan gebruiken voor meer controles voorafgaand aan de factuur en om reacties voor te bereiden op verlagingen van de DRG-betalers, die een aanzienlijke administratieve last zijn geworden. Hulpmiddelen die elke code koppelen aan klinisch bewijsmateriaal en de toepasselijke richtlijn of het advies van de AHA Coding Clinic citeren, passen bij de manier waarop auditors al werken, zodat die stijl zich waarschijnlijk zal verspreiden. Autonome intramurale codering is moeilijker dan poliklinische codering, omdat het verblijf langer duurt en de dossiers complexer zijn. Menselijke codeurs zullen dus waarschijnlijk in de nabije toekomst verantwoordelijk blijven voor de uiteindelijke DRG-opdracht.

Het in de praktijk brengen

Waarom het ertoe doet

  • Context en regels. De industriële context bepaalt of AI-ideeën het contact met de werkelijkheid overleven.
  • Kwaliteitscontrole. Domeinbeperkingen beïnvloeden aanvaardbare foutenpercentages en toezichtmodellen.
  • Bouwkeuzes. Succesvolle implementaties stemmen de technische mogelijkheden af ​​op frontline-workflows.

Pas op voor

  • Regelgevingsvereisten kunnen anderszins sterke prototypes ongeldig maken.
  • Historische gegevens kunnen vooroordelen coderen die specifieke gemeenschappen schade toebrengen.
  • Oudere systemen kunnen integratieknelpunten en verborgen kosten veroorzaken.

Volgende stappen

  1. Betrek domeinexperts, van het formuleren van het probleem tot de evaluatie.
  2. Ontwerp audit trails en documentatie vóór de lancering.
  3. Valideer compliance- en veiligheidsverplichtingen vroegtijdig.
  4. Uitrol in fasen met duidelijke stop- en terugdraaicriteria.

Blijf verkennen

Gratis nieuwsbrief

Ontvang de dagelijkse AI-briefing

Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.

Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.

Test jezelf

Take the AI in Inpatient DRG Coding quiz

Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.

Quiz starten

Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie

Veelgestelde vragen

Wat is AI bij intramurale DRG-codering?

AI bij intramurale DRG-codering maakt gebruik van natuurlijke taalverwerking en machinaal leren om ziekenhuisdossiers te lezen, ICD-10-CM- en ICD-10-PCS-codes voor te stellen, de MS-DRG te voorspellen en secundaire diagnoses te markeren die in aanmerking komen als complicaties of comorbiditeiten (CC's) of grote complicaties of comorbiditeiten (MCC's). Het is van belang omdat de DRG bepaalt wat Medicare betaalt voor de meeste intramurale verblijven, en één goed ondersteunde of slecht ondersteunde secundaire diagnose kan een zaak naar een andere betalingsgroep verplaatsen.

Welke component wijst in een AI-ondersteunde codeerworkflow voor intramurale patiënten daadwerkelijk de MS-DRG toe?

AI stelt codes voor, en de tandbaars gebruikt die codes om de DRG te berekenen.

Waarom genereert het toevoegen van meer secundaire diagnosecodes niet automatisch een MS-DRG?

Het niveau hangt af van het feit of er een kwalificerende CC of MCC aanwezig is. Extra codes voegen niets toe zodra het niveau is ingesteld, en uitsluitingsregels kunnen het effect van een code annuleren.

Hoe behandelen de officiële richtlijnen een bij ontslag gedocumenteerde diagnose als 'waarschijnlijk' voor een kortdurend verblijf in een ziekenhuis met acute zorg?

Regels voor ziekenhuisopname maken het mogelijk dat onzekere diagnoses die bij ontslag zijn gedocumenteerd, worden gecodeerd als vastgesteld. Poliklinische regels doen dat niet, dus een model dat is getraind op poliklinische gegevens kan dit verkeerd doen.

Waarom zou een DRG-validatietool gevallen waarvan het enige MCC acuut respiratoir falen is, naar een tweede beoordelaar kunnen sturen?

Wanneer één diagnose bepalend is voor het betalingsniveau en vaak op klinische gronden wordt aangevochten, wordt er nog eens naar gekeken voordat er wordt gefactureerd.

Een model kent een DRG toe op basis van de tandbaars van vorig boekjaar voor een patiënt die in november werd ontslagen. Wat is het probleem?

De grouperversie moet overeenkomen met de ontslagdatum en de definities van een nieuw boekjaar worden van kracht op 1 oktober.