Κέρδη:
- Κατανόηση των σταδίων του κύκλου εσόδων (καταγραφή, κωδικοποίηση, τιμολόγηση, αποζημίωση, είσπραξη) και όπου η τεχνητή νοημοσύνη παράγει προσχέδια/ελέγχους σε κάθε στάδιο
- Δυνατότητα ταξινόμησης απορρίψεων SSI/επιστροφών με υποστήριξη τεχνητής νοημοσύνης και δημιουργία προσχεδίου βασικής αιτίας και ένστασης
- Κατανόηση ότι η κανονιστική συμμόρφωση και η τελική έγκριση στην τιμολόγηση και την κωδικοποίηση ανήκουν στον εξουσιοδοτημένο εμπειρογνώμονα και ο κίνδυνος τεχνητής νοημοσύνης να προτείνει πλαστούς κωδικούς
Ακόμα κι αν ένα νοσοκομείο θεραπεύσει έναν ασθενή, δεν μπορεί να επιβιώσει οικονομικά εάν δεν μπορεί να εισπράξει σωστά και έγκαιρα για την υπηρεσία που παρέχει. Ολόκληρη αυτή η ροή χρημάτων ονομάζεται κύκλος εσόδων: είναι η οικονομική διαδικασία που ξεκινά από την εγγραφή του ασθενούς, την κωδικοποίηση της υπηρεσίας, την τιμολόγηση, την αποζημίωση από το ίδρυμα (κυρίως SGK - Ίδρυμα Κοινωνικής Ασφάλισης στην Τουρκία) και επεκτείνεται μέχρι την είσπραξη. Το πιο ενοχλητικό σημείο αυτού του κύκλου είναι η απόρριψη: η SSI αρνείται να πληρώσει ένα τιμολόγιο βρίσκοντάς το ελλιπές/λανθασμένο. Απόρριψη σημαίνει ότι δεν μπορείς να πληρωθείς για μια δουλειά που έχεις κάνει. Σε αυτή την ενότητα θα χρησιμοποιήσουμε την τεχνητή νοημοσύνη ως εργαλείο ελέγχου και σύνταξης σε κάθε στάδιο του κύκλου εσόδων. Αλλά το πιο αυστηρό όριο ισχύει εδώ: Η χρέωση και η κωδικοποίηση ρυθμίζονται. Το AI μπορεί να προσαρμόσει άπταιστα τον μη έγκυρο κώδικα. Η τελική έγκριση κάθε κώδικα και ένστασης ανήκει στον εξουσιοδοτημένο εμπειρογνώμονα.
Στάδια του κύκλου εσόδων
Ας χωρίσουμε τον κύκλο σε πέντε στάδια. Η εγγραφή είναι η σωστή εισαγωγή στο σύστημα των πληροφοριών ασθενών και ασφάλισης. ένα σφάλμα εδώ (λανθασμένος τύπος ασφάλειας) μεταφέρεται στο τέλος. Η κωδικοποίηση είναι η μετάφραση της παρεχόμενης υπηρεσίας στον επίσημο κωδικό συναλλαγής (SUT - Κωδικοί ανακοινώσεων ιατρικών υπηρεσιών υγείας στην Τουρκία). Η τιμολόγηση είναι η διαβίβαση κωδικοποιημένων υπηρεσιών στο ίδρυμα αποζημίωσης ως τιμολόγιο. Η αποζημίωση είναι η φάση κατά την οποία το ίδρυμα εξετάζει και πληρώνει (ή απορρίπτει) το τιμολόγιο. Η είσπραξη είναι η πραγματική παραλαβή χρημάτων. Η απόρριψη οφείλεται κυρίως σε σφάλματα στα στάδια κωδικοποίησης και χρέωσης: ελλείποντα έγγραφα, ασύμβατη διαδικασία διάγνωσης, διπλή εγγραφή, παραβίαση του κανόνα SUT.
Πού είναι χρήσιμο το AI σε αυτόν τον κύκλο; Έλεγχος για πεδία που λείπουν στην εγγραφή. Στην κωδικοποίηση, πιθανές προτάσεις κωδικών (απαραίτητα επαληθευμένες). Προέλεγχος στη συμμόρφωση με τη χρέωση. Στην ανάλυση απόρριψης, την ταξινόμηση των απορρίψεων, την εύρεση των βαθύτερων αιτιών και τη σύνταξη μιας αναφοράς ένστασης. Πού δεν λειτουργεί; Για να αποφασίσετε ποιος είναι ακριβώς ο έγκυρος κωδικός — επειδή μόνο το τρέχον SUT και ο ειδικός το γνωρίζουν αυτό.
Είναι σημαντικό να διακρίνουμε δύο διαφορετικούς χρονικούς ορίζοντες στη διαχείριση απόρριψης. Το πρώτο είναι η αντιδραστική εργασία: η ανάλυση της απόρριψης και η αντίρρηση σε αυτούς που έχουν δίκιο, δηλαδή η προσπάθεια να ανακτηθεί η απώλεια. Δεύτερο, και πιο πολύτιμο, είναι η προληπτική εργασία: η εύρεση της βασικής αιτίας των απορρίψεων και η αλλαγή της διαδικασίας για να διασφαλιστεί ότι οι απορρίψεις δεν θα επαναληφθούν. Τα περισσότερα ιδρύματα ξοδεύουν όλη τους την ενέργεια στην αντίρρηση. ενώ αν λαμβάνετε απορρίψεις ξανά και ξανά για τον ίδιο λόγο μήνα με τον μήνα, η αντίρρηση είναι απλώς να αδειάζετε έναν κουβά με ένα κουτάλι — η πραγματική δουλειά είναι να κλείσετε τη βρύση. Η τεχνητή νοημοσύνη είναι χρήσιμη και στους δύο ορίζοντες: στην αντιδραστική πλευρά επιταχύνει τη σύνταξη αντιρρήσεων, στην προληπτική πλευρά κάνει ορατά το μοτίβο απόρριψης και τη βασική αιτία. Αλλά η εφαρμογή της προληπτικής αλλαγής (κατάλογος ελέγχου, εκπαίδευση κωδικοποίησης, προειδοποίηση συστήματος) στο πεδίο και η συμμόρφωση με τη νομοθεσία είναι ανθρώπινη δουλειά.
Βήμα προς βήμα: Ανάλυση απόρριψης με AI
- Συλλέξτε τις απορρίψεις ανώνυμα. Ανώνυμη αλληλουχία, κωδικός/αιτία απόρριψης, ομάδα συναλλαγών, ποσό αντί για αριθμό τιμολογίου. Δεν υπάρχει ταυτότητα ασθενούς.
- Κατατάσσω. Ζητήστε από την τεχνητή νοημοσύνη να ομαδοποιήσει τις απορρίψεις με βάση τον λόγο: λείπει έγγραφο, αναντιστοιχία διάγνωσης-ενέργειας, κανόνας SUT, διπλότυπο.
- Έξοδος Pareto. Οι περισσότερες απορρίψεις έρχονται συνήθως για διάφορους λόγους (80/20). Ποιος λόγος σε κάνει να χάνεις τα περισσότερα χρήματα;
- Φτάστε στη βασική αιτία. Για τη μεγαλύτερη ομάδα απόρριψης, εξετάστε την ερώτηση «γιατί» με τη μέθοδο 5 Γιατί.
- Προληπτική δράση + σχέδιο ένστασης. Προτείνετε αλλαγές στη διαδικασία που θα αποτρέψουν την επανάληψη. Εκτυπώστε ένα σχέδιο ένστασης για αιτιολογημένες απορρίψεις.
- Έγκριση ειδικού. Κάθε κωδικός και ένσταση επαληθεύεται από τον τρέχοντα ειδικό SUT και τα έσοδα/κωδικοποίηση. Το προσχέδιο AI δεν αντικαθιστά μια υπογραφή.
Προσοχή: Το πιο επικίνδυνο λάθος είναι να ρωτήσετε την AI "ποιος είναι ο κωδικός SUT αυτής της συναλλαγής" και να εισάγετε τον κωδικό απευθείας στο τιμολόγιο. Το μοντέλο μπορεί να πει με απόλυτη σιγουριά ότι ο κώδικας δεν υπάρχει ή είναι ξεπερασμένος. Ο κωδικός δεν θα χρησιμοποιηθεί ποτέ χωρίς επιβεβαίωση με την επίσημη λίστα SUT.
τρεις μίνι θήκες
Περίπτωση 1 — Pareto της απόρριψης. Η μηνιαία άρνηση ενός νοσοκομείου ήταν 1.240 τιμολόγια, συνολικού ύψους 860.000 TL. Ο ειδικός εσόδων έδωσε τα ανώνυμα δεδομένα απόρριψης στο AI. Η ταξινόμηση της τεχνητής νοημοσύνης έδειξε ότι το 62 τοις εκατό των απορρίψεων προήλθαν από δύο λόγους: «ελλιπές έγγραφο επίκρισης» και «ασυμβατότητα διάγνωσης-διαδικασίας». Η ομάδα εστίασε πρώτα σε αυτά τα δύο: καθιερώθηκε η λίστα ελέγχου τεκμηρίωσης εξιτηρίου και ο διασταυρωτικός έλεγχος κωδικοποίησης-διαγνωστικού ελέγχου. Μέσα σε δύο μήνες, οι απορρίψεις για αυτούς τους δύο λόγους μειώθηκαν στο μισό και η μηνιαία απώλεια μειώθηκε κατά ~300.000 TL.
Περίπτωση 2 — Παγίδα κωδικών ψευδαισθήσεων. Ένας υπάλληλος ζήτησε από το AI έναν κωδικό SUT για μια νέα λειτουργία. Η τεχνητή νοημοσύνη επέστρεψε άπταιστα έναν κωδικό με ρεαλιστική εμφάνιση όπως "P612340". Ο ειδικός έλεγξε: αυτός ο κωδικός δεν ήταν στη λίστα SUT, το μοντέλο τον είχε φτιάξει. Εάν είχε εισαχθεί χωρίς επαλήθευση, αυτά τα τιμολόγια θα είχαν λάβει μαζική απόρριψη ή ακόμη και θα θεωρούνταν ακατάλληλη κωδικοποίηση. Μάθημα: ο κωδικός επιβεβαιώνεται πάντα με την επίσημη λίστα.
Περίπτωση 3 — Επίσπευση του σχεδίου ένστασης. Η σύνταξη αντιρρήσεων για αιτιολογημένες απορρίψεις σε μια μονάδα εσόδων χρειαζόταν ώρες την ημέρα. Ο εμπειρογνώμονας έδωσε την ανώνυμη αιτιολόγηση της απόρριψης και τη σχετική βάση SUT στην YZ και ζήτησε σχέδιο ένστασης. Το AI δημιούργησε ένα δομημένο περίγραμμα σε λίγα λεπτά. Ο πραγματογνώμονας έλεγξε και υπέγραψε τις βάσεις και τα ποσά. Ο χρόνος προετοιμασίας της ένστασης μειώθηκε σημαντικά, ο αριθμός των αντιρρήσεων αυξήθηκε και το ποσό που ανακτήθηκε αυξήθηκε. Η ΑΙ το έγραψε, ο ειδικός το επαλήθευσε και ανέλαβε την ευθύνη.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Ταξινόμηση απόρριψης:
Ο ρόλος σας: βοηθός του αναλυτή του κύκλου εσόδων. Ακολουθούν τα δεδομένα ανώνυμης απόρριψης: ανώνυμος αριθμός σειράς, λόγος απόρριψης, ομάδα συναλλαγής, ποσό (χωρίς ταυτότητα ασθενούς). Εργασία: ομαδοποιήστε τις απορρίψεις ανάλογα με τον λόγο, αφαιρέστε τον αριθμό και το συνολικό ποσό κάθε ομάδας, σημειώστε τους 3 λόγους που προκαλούν τη μεγαλύτερη απώλεια. Μην προσθέτετε κατασκευασμένο κωδικό ή λόγο.
2) Βασική αιτία (5 λόγοι):
Η μεγαλύτερη ομάδα απόρριψης είναι η «αναντιστοιχία διάγνωσης-διαδικασίας». Για να το κάνετε αυτό, συντάξτε μια ανάλυση 5 γιατί: προτείνετε μια πιθανή απάντηση σε κάθε ερώτηση «γιατί», φτάστε στη βασική αιτία και προτείνετε 3 αλλαγές στη διαδικασία που θα αποτρέψουν την επανεμφάνιση. Δηλώστε ότι αυτό είναι μια υπόθεση και πρέπει να επαληθευτεί επιτόπου.
3) Σχέδιο ένστασης:
Γράψτε ΣΧΕΔΙΟ αίτησης ένστασης για ανώνυμη απόρριψη παρακάτω: λόγος απόρριψης [...], βάση επίδοσης [...], άρθρο σχετικής νομοθεσίας [να συμπληρωθεί από πραγματογνώμονα]. Χρησιμοποιήστε επίσημη, σεβαστή, αιτιολογημένη γλώσσα. ΜΗΝ συνθέσετε τον αριθμό άρθρου της νομοθεσίας. Αφήστε το κενό με την ετικέτα [VERIFY].
4) Προκαταρκτικός έλεγχος εγγραφής:
Πριν πάτε στην τιμολόγηση, ετοιμάστε μια προκαταρκτική λίστα εγγραφής/κωδικοποίησης που θα αποτρέψει την απόρριψη: είναι σωστός ο τύπος ασφάλισης, είναι συμβατός με τη διάγνωση και τη διαδικασία, είναι πλήρη τα απαραίτητα έγγραφα (επίκριση, αναφορά), υπάρχουν διπλότυπα αρχεία. Αφήστε κάθε στοιχείο να είναι μια γραμμή, με την ένδειξη ναι/όχι.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Δώστε τον κωδικό SSI αυτής της συναλλαγής και προετοιμάστε τον για τιμολόγιο.
Αυτό είναι επικίνδυνο: αντικαθιστά το AI για την επίσημη πηγή, προκαλώντας τον κίνδυνο πλαστού κώδικα.
Ισχυρή προτροπή:
Παρακάτω είναι τα ανώνυμα δεδομένα απόρριψής μας. Ταξινομήστε τις απορρίψεις ανάλογα με τον λόγο, ταξινομήστε τους λόγους που προκαλούν τη μεγαλύτερη απώλεια στη σειρά Pareto και προτείνετε προληπτική δράση για τη μεγαλύτερη. Κωδικός SUT ή άρθρο νομοθεσίας, κατασκευή ΕΑΝ ΕΙΝΑΙ ΑΠΑΡΑΙΤΗΤΟ. Σημειώστε "[επαλήθευση ειδικού]".
Σκηνή
Συνεισφορά του AI
ανθρώπινη έγκριση
Εγγραφή
Προέλεγχος περιοχής που λείπει
γραμματέας
Κωδικοποίηση
Πιθανή πρόταση κωδικού (ανοιχτή για επιβεβαίωση)
Εμπειρογνώμονας κωδικοποίησης + SUT
Τιμολόγηση
Λίστα προκαταρκτικού ελέγχου συμμόρφωσης
ειδικός στα έσοδα
Ανάλυση απόρριψης
Ταξινόμηση, Pareto, βασική αιτία
διαχειριστής εσόδων
αντίρρηση
Σχέδιο αναφοράς
Υπογραφή εξουσιοδοτημένου ειδικού
Συνήθη λάθη
- Χρήση κωδικού AI χωρίς επαλήθευση. Ο πλαστός/παλαιούχος κωδικός δημιουργεί κίνδυνο απόρριψης και παρατυπιών.
- Βιασύνη σε όλες τις απορρίψεις ταυτόχρονα. Χρησιμοποιήστε Pareto και επικεντρωθείτε στον λόγο που σας κάνει να χάνετε περισσότερο πρώτα.
- Παράκαμψη της βασικής αιτίας. Εάν επαναληφθεί η ίδια απόρριψη, σημαίνει ότι η διαδικασία δεν έχει διορθωθεί.
- Συμμόρφωση της νομοθεσίας με την τεχνητή νοημοσύνη. Ο αριθμός του προϊόντος επιβεβαιώνεται πάντα από την επίσημη πηγή.
- Παρεξήγηση της ένστασης ως ανυπόγραφο προσχέδιο. Το προσχέδιο δεν θα σταλεί χωρίς εμπειρογνώμονα και υπογραφή.
Συμβουλή: Κατηγοριοποιήστε τους λόγους απόρριψης κάθε μήνα χρησιμοποιώντας το ίδιο πρότυπο και διατηρήστε μια τάση. Εάν το ένα σκεπτικό πέσει και το άλλο ανέβει, θα δείτε νωρίς εάν η αλλαγή της διαδικασίας σας λειτουργεί. Το AI επιταχύνει την ταξινόμηση. Είναι δουλειά σας να ερμηνεύσετε την τάση.
Συνοπτικά
Ο κύκλος εσόδων είναι ο τρόπος με τον οποίο η υπηρεσία μετατρέπεται σε χρήμα και οι απορρίψεις είναι η μεγαλύτερη διαρροή του. ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ; Είναι ένας ισχυρός επιταχυντής για την ταξινόμηση απορρίψεων, εξαγωγή Pareto και βασικής αιτίας, σύνταξη προσφυγών και προεγγραφή. Αλλά η κωδικοποίηση και η τιμολόγηση ρυθμίζονται. Το AI μπορεί να δημιουργήσει μη έγκυρο κώδικα. Κάθε κωδικός επαληθεύεται από το επίσημο SUT, κάθε ένσταση από τον εξουσιοδοτημένο πραγματογνώμονα. Η ευθύνη και η τελική έγκριση παραμένουν πάντα στον άνθρωπο.
Εργασία εφαρμογής
Λάβετε μια ανώνυμη λίστα απόρριψης (αιτία, ομάδα συναλλαγών, ποσό) ή δημιουργήστε υποθετικά. Ζητήστε από την AI ταξινόμηση Pareto με το πρότυπο "Ταξινόμηση απόρριψης" και βρείτε τον λόγο που προκαλεί τις περισσότερες απώλειες. Για αυτόν τον λόγο, περιγράψτε τη βασική αιτία με το πρότυπο "5 Γιατί" και προτείνετε μια προληπτική δράση. Σημειώστε στο άρθρο 5 ότι δεν αποδέχεστε κανέναν κωδικό SUT χωρίς να τον επαληθεύσετε και ότι η τελική έγκριση ανήκει στον ειδικό.
λίστα ελέγχου
- [ ] Έχω ανωνυμοποιήσει δεδομένα απόρριψης (χωρίς ταυτοποίηση ασθενούς);
- [ ] Δεν χρησιμοποίησα κανέναν κώδικα/νομοθεσία που παρέχεται από την AI χωρίς να τον επαληθεύσω;
- [ ] Έχω δώσει προτεραιότητα στον πιο χαμένο λόγο με τον Pareto;
- [ ] Έχω βρει τη βασική αιτία και έχω ορίσει προληπτικά μέτρα;
- [ ] Έχω υποβάλει το σχέδιο ένστασης σε έλεγχο εμπειρογνωμόνων και υπογραφή;