SıradakiSonraki rehber
E/M Seviye Kodlaması için Yapay Zeka
Uygulamalar
Uygulama KILAVUZU
Tıbbi Kodlama Denetimleri için Yapay Zeka
Tıbbi kodlama denetimlerine yönelik yapay zeka, talepleri riske göre sıralamak, kodları belgeler ve ödeyen kurallarıyla karşılaştırmak ve insan denetçilerin onaylaması için olası hataları işaretlemek için yazılım kullanır.
Bu sayfada4 dakikalık okuma
Genel Bakış
Sağlayıcıların fazla ödemeleri ve eksik ödemeleri ödeme yapanlardan, Kurtarma Denetimi Yüklenicilerinden veya OIG'den önce bulmasına yardımcı olur. Bu önemlidir, çünkü bir fazla ödeme tespit edildiğinde, federal kurallar bunun bildirilmesini ve belirlenen süreler içerisinde iade edilmesini gerektirir.
Derin Dalış
Kodlama denetimleri iki biçimde gelir. İleriye yönelik denetimler, faturalandırmadan önce talepleri inceler. Geriye dönük denetimler halihazırda ödenmiş olan talepleri inceler. Bu işi hem iç hem de dış gözden geçirenler yapar. Harici incelemeciler arasında, Hedeflenen Probe ve Educate incelemelerini yürüten Medicare İdari Yüklenicileri (MAC'ler); Kurtarma Denetimi Yüklenicileri; Birleşik Program Bütünlüğü Yüklenicileri; CMS'nin Kapsamlı Hata Oranı Testi programı; HHS Genel Müfettiş Ofisi; ve ticari ve Medicare Advantage ödeyenler. OIG'nin Kasım 2023'te yayınlanan Genel Uyumluluk Programı Rehberi, denetim ve izlemeyi bir uyumluluk programının temel unsuru olarak listeliyor. Yapay zeka üç yerde yardımcı oluyor. İlk olarak, risk puanlaması nereye bakılacağını seçer. Kod dağıtımlarını benzerleriyle karşılaştırır, alışılmadık değiştirici kullanımını işaretler ve düzenleme ihlallerini tespit eder. İkinci olarak, otomatik inceleme, her kodu belgelerle ve NCCI düzenlemeleri ve yerel ve ulusal kapsam belirlemeleri gibi ödeme kurallarıyla karşılaştırır. Daha sonra destekleyici kanıtlarla birlikte bir bulgu taslağı hazırlar. Üçüncüsü, sonuçlar sağlayıcıya, koda veya hata türüne göre ayrılmış olarak raporlama ve eğitime aktarılır. En önemli yanılgı, iddiaların yüzde 100'ünün yapay zeka ile incelenmesinin istatistiksel örneklemenin yerini almasıdır. Değil. Nitelikli bir denetçi onaylayana kadar AI bayrağı bir bulgu değil, bir ipucudur. Tüm talep grubu genelinde fazla ödemenin ne kadar değerli olduğunu tahmin etmek için belgelenmiş, istatistiksel olarak geçerli bir örnekleme yöntemine ihtiyacınız vardır. OIG bunun için ücretsiz RAT-STATS yazılımı sunuyor. Yüksek riskli iddiaların hedefe yönelik incelemeleri faydalıdır ancak bunlar tüm iddia grubuna yansıtılamaz. Bahisler, fazla ödemelerin tespit edildikten sonraki 60 gün içinde bildirilmesini ve iade edilmesini gerektiren federal fazla ödeme kurallarından kaynaklanmaktadır. CMS, iyi niyetli bir soruşturma devam ederken bu son tarihte sınırlı bir duraklamaya izin vermek için kuralı 2024'te güncelledi. Sorunları ortaya çıkaran ancak bunları çözecek bir süreci olmayan bir yapay zeka sistemi, sorunları azaltmak yerine açığa çıkmayı sağlayabilir.
Stratejik Etki
Yapı seçimleri
Uygulama düzeyinde tasarım, yapay zekanın gerçek sonuçları iyileştirip iyileştirmediğini belirler.
Ekip ve iş akışı
İyi iş akışı entegrasyonu, kullanıcıların güvenebileceği üretkenlik kazanımları sağlar.
Risk ve güvenlik
İyi kapsamlı kullanım örnekleri, değişiklik yorgunluğunu ve uygulama riskini azaltır.
Tıbbi Kodlama Denetimlerinde Yapay Zekanın Geleceği
Ödeme yapanlar ve devlet yüklenicileri denetim hedeflerini seçmek için halihazırda veri analitiğini kullanıyor ve sağlayıcılar da risklerini ilk önce görebilmek için benzer araçları benimsiyor. İnsan denetçilerin klinik doğrulama gibi karar çağrılarına odaklanmasıyla yapay zekanın daha fazla kanıt toplama ve ilk geçiş incelemesini üstlenmesini bekliyoruz. Geçerli örnekleme, nitelikli incelemeciler ve belgelenmiş yöntemler de dahil olmak üzere savunulabilir denetimlere yönelik gereksinimlerin, yazılım geliştikçe gevşemesi pek mümkün değildir. Yapay zeka bulguları düzeltici eylemlere, borçlu olunan durumlarda geri ödemelere ve sağlayıcı eğitimine yol açtığında kuruluşlar en fazla değeri elde eder.
Gerçek Dünya Uygulaması
Bir doktor grubu, son çeyreğe ait her E/M talebini risk açısından AI puanına tabi tutuyor. Denetçiler daha sonra en yüksek riskli klinisyenlerden rastgele bir örnek alır ve bu çizelgeleri elle inceler.
Bir hastane, halihazırda ödenmiş ayakta tedavi taleplerine karşı NCCI prosedürden prosedüre ve Tıbbi Açıdan Olasılıksız Düzenleme kontrollerini yeniden yürütür. Faturalanan birimlerin düzenleme sınırını aştığı satırları bulur.
Faturalandırmadan önce yapay zeka, büyük bir komplikasyonun hiçbir destekleyici klinik gösterge olmaksızın akut solunum yetmezliğinden kaynaklandığı yatan hasta vakalarını işaretler. Bir klinik dokümantasyon uzmanı, talep gönderilmeden önce her vakayı inceler.
Bir Medicare yüklenicisi Hedefli Probe ve Educate incelemesini duyurduktan sonra uyumluluk ekibi, talep edilen kayıtları toplamak ve eksik imzaları ve siparişleri göndermeden önce kontrol etmek için yapay zekayı kullanır.
Riskler ve Korkuluklar
Bozuk bir süreci otomatikleştirmek mevcut sorunları büyütebilir.
Ekipler aşırı otomatikleşebilir ve gerekli insan muhakemesini ortadan kaldırabilir.
Çıktılar sürekli olarak değerlendirilmezse kalite düşebilir.
Uygulama Yol Haritası
Mevcut iş akışının haritasını çıkarın ve en yüksek sürtünmeli adımı belirleyin.
Tam otomasyondan önce insan kontrol noktalarını tanımlayın.
Kullanıcıları istemler, yükseltme yolları ve kalite standartları konusunda eğitin.
Sürdürülebilir değeri doğrulamak için görev düzeyindeki sonuçları izleyin.
Keşfetmeye Devam Edin
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
Sık sorulan sorular
Tıbbi Kodlama Denetimleri için Yapay Zeka Nedir?
Tıbbi kodlama denetimlerine yönelik yapay zeka, talepleri riske göre sıralamak, kodları belgeler ve ödeyen kurallarıyla karşılaştırmak ve insan denetçilerin onaylaması için olası hataları işaretlemek için yazılım kullanır. Sağlayıcıların fazla ödemeleri ve eksik ödemeleri ödeme yapanlardan, Kurtarma Denetimi Yüklenicilerinden veya OIG'den önce bulmasına yardımcı olur. Bu önemlidir, çünkü bir fazla ödeme tespit edildiğinde, federal kurallar bunun bildirilmesini ve belirlenen süreler içerisinde iade edilmesini gerektirir.
Bir hastanenin yapay zekası her ayakta tedavi talebini inceledi ve 400 hatayı işaretledi. Bu bayrakların durumu nedir?
AI bayrakları liderdir. Bunlar ancak kalifiye bir insan denetçinin belgeleri inceleyip hatayı onaylamasından sonra bulgu haline gelir.
Neden tüm talepler genelinde fazla ödemeyi tahmin etmek için yüksek riskli taleplere yönelik hedefli bir inceleme kullanılamıyor?
Sonuçların tüm iddialara yansıtılması istatistiksel olarak geçerli bir rastgele örnek gerektirir. Yüksek risk için seçilen iddialar, tüm gruptaki hata oranını abartacaktır.
OIG istatistiksel örnekleme için hangi ücretsiz aracı sunuyor?
RAT-STATS, OIG'nin numune tasarlamaya ve daha geniş bir iddia grubu genelinde sonuçları tahmin etmeye yönelik ücretsiz istatistiksel yazılımıdır.
Hastane, ücretli ayakta tedavi taleplerinde Tıbbi Açıdan Olası Olmayan Düzenlemeleri yeniden düzenledi. Bu çekler neyi arıyordu?
Tıbbi Açıdan Olası Olmayan Düzenlemeler, normalde bir hasta için bir tarihte rapor edilen bir hizmetin maksimum birimini belirler. Bu sınırın üzerindeki birimler ortak bir denetim bulgusudur.
Fazla ödeme kuralı neden yapay zeka denetiminin risklerini artırıyor?
Federal kurallar, belirlenen fazla ödemelerin, iyi niyetli soruşturma için sınırlı bir duraklamayla birlikte genellikle 60 gün içinde bildirilmesini ve iade edilmesini gerektirir. Sorunları çözmeden bulmak, maruz kalmayı artırır.
Öğrenmeye devam et
İlgili kılavuzlar
Bu konu için daha fazla rehber seçildi