VolgendeVolgende gids
AI in HCC-risicoaanpassingscodering
Industrieën
Gids voor industrieën
Computerondersteunde codering (CAC) is software die klinische documentatie leest met natuurlijke taalverwerking en diagnose- en procedurecodes suggereert.
Luister naar deze gidsAI-verteld · ~3 min
Een menselijke codeur accepteert, verwerpt of bewerkt vervolgens elke suggestie voordat de claim wordt afgerond. Het is belangrijk omdat het de taak van de programmeur verandert van het zoeken naar grafieken naar het valideren van bewijsmateriaal, en de waarde ervan hangt af van de nauwkeurigheid, de afstemming van de workflow en de manier waarop de organisatie de productiviteit meet.
De adoptie van CAC in de Verenigde Staten groeide rond de overstap van ICD-9 naar ICD-10 in oktober 2015. De nieuwe codesets waren veel gedetailleerder en organisaties vreesden dat programmeurs productiviteit zouden verliezen. Gevestigde producten zijn afkomstig van onder meer bedrijven als 3M, waarvan de gezondheidsinformatieactiviteiten in 2024 onderdeel werden van Solventum, en Optum. De workflow bestaat uit vier stappen: Documentatie stroomt van het EPD naar het CAC-systeem, inclusief voortgangsnotities, operationele rapporten, ontslagsamenvattingen en resultaten; een natuurlijke taalverwerkingsmachine leest de tekst, identificeert voorwaarden en procedures en stelt codes voor, elk gekoppeld aan de ondersteunende zinnen; de codeur beoordeelt elke suggestie. Ze accepteren het, wijzen het af, of bewerken het naar een specifiekere of correctere code, en voegen codes toe die het systeem heeft gemist; en de codeur past officiële richtlijnen toe, zoals sequentieregels en de verschillende intramurale en poliklinische regels voor onzekere diagnoses, en schrijft vragen aan artsen wanneer de documentatie onduidelijk is. CAC verschilt van autonome codering. Bij CAC valideert een mens elke kaart. Autonome systemen sturen sommige ontmoetingen door naar de facturering zonder menselijke beoordeling. Organisaties beoordelen CAC gewoonlijk aan de hand van verschillende maatstaven: productiviteit, gemeten als grafieken of ontmoetingen per uur; codeernauwkeurigheid, gemeten door audits; Precisie en herinnering van suggesties; DNFB-dagen (Discharged-not-final-billed), wat betekent hoe lang ontslagen accounts wachten op definitieve codering; en stroomafwaartse weigeringspercentages. Drie misvattingen komen vaak voor. De eerste is dat CAC de behoefte aan richtlijnexpertise wegneemt. In feite moeten programmeurs plausibele maar verkeerde suggesties opvangen. De tweede is dat productiviteitswinsten automatisch tot stand komen. Slecht schermontwerp, luidruchtige suggesties of zwakke training kunnen codeerders vertragen. De derde is dat hoge acceptatiepercentages de nauwkeurigheid bewijzen. Ze kunnen ook betekenen dat programmeurs zijn gestopt met controleren.
Een codeerder opent een ziekenhuisopname en ziet dat CAC ICD-10-CM-codes suggereert voor acuut nierletsel en voor type 2-diabetes met hyperglykemie. Elke suggestie linkt naar gemarkeerde zinnen in de voortgangsnotities, waarop ze klikt om te verifiëren.
In een poliklinische grafiek suggereert CAC een longontstekingscode op basis van een briefje met de tekst 'longontsteking uitsluiten'. De codeerder wijst dit af, omdat poliklinische richtlijnen niet toestaan dat onzekere diagnoses als bevestigd worden gecodeerd.
Een directeur gezondheidsinformatiebeheer vergelijkt de grafieken per uur, de nauwkeurigheid van de codering en de dagen waarop de CAC niet definitief wordt gefactureerd, vóór en na de ingebruikname van het CAC. De productiviteit verbetert pas nadat programmeurs zijn getraind in de nieuwe beoordelingsschermen.
Een auditor die het CAC-acceptatielogboek bekijkt, merkt dat codeerders bijna elke suggestie voor de patiënten van één arts accepteren. Dat patroon leidt tot een gerichte nauwkeurigheidsbeoordeling.
CAC wordt steeds vaker gecombineerd met functies van grote taalmodellen, zoals het samenvatten van lange verblijven, het opstellen van vragen van artsen en het uitleggen waarom een code werd voorgesteld. Sommige leveranciers breiden CAC uit naar gedeeltelijke autonomie voor eenvoudigere ontmoetingstypen. De kern van de validatieworkflow zal waarschijnlijk blijven bestaan voor complexe intramurale codering, waarbij richtlijnen en lacunes in de documentatie om menselijk oordeel vragen. Organisaties die nieuwere tools adopteren, moeten nauwkeurigheid, herinnering, auditnauwkeurigheid en weigeringen blijven meten in plaats van te vertrouwen op productiviteitsclaims van leveranciers, en moeten oppassen dat codeerders afglijden naar rubber stamping.
Gratis nieuwsbrief
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
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Computerondersteunde codering (CAC) is software die klinische documentatie leest met natuurlijke taalverwerking en diagnose- en procedurecodes suggereert. Een menselijke codeur accepteert, verwerpt of bewerkt vervolgens elke suggestie voordat de claim wordt afgerond. Het is belangrijk omdat het de taak van de programmeur verandert van het zoeken naar grafieken naar het valideren van bewijsmateriaal, en de waarde ervan hangt af van de nauwkeurigheid, de afstemming van de workflow en de manier waarop de organisatie de productiviteit meet.
CAC suggereert codes voor menselijke validatie op elke kaart. Dankzij autonome codering kunnen sommige ontmoetingen de mens volledig omzeilen.
‘Uitsluiten’ duidt op onzekerheid. De coderingsregels voor poliklinische patiënten staan niet toe dat onzekere diagnoses worden gecodeerd alsof ze bevestigd zijn.
Ervaardetectie identificeert aandoeningen die bij iemand anders dan de patiënt horen, zoals een familielid.
Recall is het aandeel correcte codes dat het systeem suggereert. Een lage herinnering zorgt ervoor dat programmeurs in grafieken moeten zoeken naar wat ze hebben gemist.
DNFB volgt de vertraging tussen de kwijting en de definitieve facturering, wat een directe invloed heeft op de codeersnelheid en nauwkeurigheid.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
AI in HCC-risicoaanpassingscodering
Industrieën