هوش مصنوعی می تواند صورتحساب پزشکی را سرعت بخشد. انسان ها باید تحت کنترل باقی بمانند | نظر

بازپرداخت خدمات درمانی به قدری پیچیده شده است که دیگر نمی توان کارایی را تنها با سرعتی که یک ادعا در یک سیستم انجام می دهد اندازه گیری کرد. به نظر من، سوال مهمتر این است که آیا این فرآیند قابل درک، پاسخگو و قادر به رسیدگی به بسیاری از استثناهایی است که در مراقبت در دنیای واقعی به وجود می آیند؟

این مهم است زیرا اصطکاک اداری می تواند به ارائه دهندگان و بیماران برسد. یک نظرسنجی ردیابی سلامت KFF در سال 2026 نشان داد که 47 درصد از بزرگسالان بیمه شده گفتند که در طول دو سال گذشته تاخیر یا انکار خدمات، درمان یا داروی تجویز شده را تجربه کرده‌اند. برای افراد مبتلا به بیماری های مزمن، این سهم حتی بیشتر بود.

این اعداد چیزی را که من بارها در کار چرخه درآمد دیده‌ام تقویت می‌کند: بازپرداخت صرفا یک موضوع پشتیبان نیست. هنگامی که مسیریابی فرآیند دشوار می شود، اثرات می تواند به خود ارائه مراقبت نیز گسترش یابد.

بار اعمال پزشکی نیز قابل توجه است. انجمن پزشکی آمریکا گزارش می دهد که پزشکان و کارکنان آنها حدود 40 مجوز قبلی را در هر هفته تکمیل می کنند و به طور متوسط ​​13 ساعت را صرف آنها می کنند. برای من، این نشان می‌دهد که چرا بحث در مورد بهره‌وری نمی‌تواند در اتوماسیون متوقف شود. فناوری می تواند کارهای تکراری را کاهش دهد، اما نمی تواند به طور خودکار یک سیستم پیچیده را شفاف تر یا پاسخگوتر کند.

من معتقدم هوش مصنوعی نقش مهمی در صورت‌حساب پزشکی دارد، به ویژه در جایی که وظایف قابل پیش‌بینی هستند و قوانین به وضوح تعریف شده‌اند. پشتیبانی کدگذاری، پردازش ادعاهای معمول، بررسی‌های واجد شرایط بودن، و سایر فعالیت‌های ساختاریافته ممکن است همگی از اتوماسیون سود ببرند.

اما این 80 درصد آسان است. 20 درصد باقی‌مانده جایی است که صورت‌حساب دیگر یک مشکل داده نیست و تبدیل به یک مشکل انسانی می‌شود (معروف به انسان در حلقه): درخواست تجدیدنظر برای انکار که به نکات ظریف بالینی بستگی دارد، مذاکره با پرداخت‌کننده با منطق، یا تصمیم‌گیری درباره نحوه رسیدگی به صورت‌حساب بیمار.

این 20 درصد با بهبود هوش مصنوعی کاهش نمی یابد. این هرگز واقعا در مورد رسیدگی به ادعاها نبود، بلکه در مورد اعمال قضاوت از طرف مردم بود. بهترین عملیات صورت‌حساب از هوش مصنوعی نمی‌خواهد که این قضاوت را جایگزین کند. آنها از آن برای آزاد کردن زمان برای تمرین خوب استفاده می کنند.

نگرانی من این نیست که هوش مصنوعی جایگزین افراد شود. این است که سازمان ها ممکن است فرض کنند که یک فرآیند خودکار قابل اعتماد است فقط به این دلیل که سریع است. یک سیستم می‌تواند بدون اینکه لزوما روشن کند که چگونه به آن پاسخ رسیده است، چه اطلاعاتی ممکن است از قلم افتاده باشد، یا وقتی مشکلی پیش می‌آید چه کسی مسئول است، پاسخی تولید کند.

در بازپرداخت مراقبت های بهداشتی، این سوالات مهم هستند.

من تا حدودی از طریق بررسی عملیات صورت‌حساب که در آن یک پزشک به افرادی که این فرآیند را مدیریت می‌کنند اعتماد قابل‌توجهی کرده بود، به این دیدگاه رسیدم. مسئله این نبود که اعتماد نابجا بود. مسئله این بود که یک پزشک پرمشغله نمی‌توانست به‌طور واقع‌بینانه همه موارد رد، رد، حساب پرداخت نشده و جزئیات اداری را بررسی کند و در عین حال بر مراقبت از بیمار نیز تمرکز کند.

این تجربه برای من تقویت کرد که نظارت باید در فرآیند تعبیه شود نه اینکه تنها زمانی که مشکلی قابل مشاهده است به کسی واگذار شود تا انجام دهد.

در تجربه من، یکی از بزرگترین خطرات تمرکز بیش از حد روی رقم نهایی مجموعه است. یک گزارش ممکن است نشان دهد که چقدر پول وارد شده است، اما این عدد به تنهایی به ارائه‌دهنده نمی‌گوید که آیا ادعاها از قلم افتاده است، انکارها حل نشده رها شده‌اند، حساب‌های دریافتنی قدیمی هستند یا همان مشکل گردش کار تکرار می‌شود.

من معتقدم که ارائه دهندگان باید فرآیند پشت نتیجه را درک کنند نه اینکه نتیجه را به عنوان کل داستان تلقی کنند.

همین اصل باید استفاده از هوش مصنوعی را راهنمایی کند. من ترجیح می‌دهم فناوری کار قابل پیش‌بینی را انجام دهد در حالی که افراد با تجربه روی استثناها، انکارها، مطالبات حل‌نشده و موقعیت‌هایی که نیاز به تفسیر دارند تمرکز می‌کنند. انسان های در حلقه نباید به عنوان یک طرح پشتیبان در نظر گرفته شوند. آنها باید بخشی از چرخه انتها به انتها باشند.

برای ارائه دهندگانی که سیستم صورت‌حساب یا شریک را ارزیابی می‌کنند، من معتقدم که سؤالات باید فراتر از معیارهای سرفصل باشد. نتایج چگونه حاصل می شود؟ کدام شاخص های عملکردی در حال پایش هستند؟ وقتی اتوماسیون نتواند یک پرونده را حل کند چه اتفاقی می افتد؟ وقتی خروجی ناقص یا نادرست به نظر می رسد، چه کسی کار سیستم را بررسی می کند؟

ارائه دهندگان مراقبت های بهداشتی نیازی به انتخاب بین مردم و فناوری ندارند. آنها به مدلی نیاز دارند که در آن از هر کدام برای کاری که به بهترین نحو انجام می دهد استفاده شود. هوش مصنوعی می‌تواند به کارآمدتر کردن کارهای روزمره کمک کند، اما قضاوت، زمینه، متغیرهای غیرقطعی و مسئولیت‌پذیری همچنان به نظارت انسانی نیاز دارند.

اگر ارائه‌دهندگان فرآیند بازپرداخت پایدارتری را می‌خواهند، باید فراتر از اعداد و ارقام نگاه کنند و بر نحوه تولید آن اعداد قابل مشاهده باشند. به نظر من، کارآیی تنها زمانی ارزشمند است که با مسئولیت همراه باشد.

Venkata Nuli یکی از مالکان AAA Medical Billing است که خدمات صدور صورت‌حساب پزشکی و مدیریت چرخه درآمد را به مراکز درمانی ارائه می‌دهد. کار او بر عملیات ادعا، انکار و استفاده از اتوماسیون در گردش کار بازپرداخت متمرکز است.

نظرات بیان شده در این مقاله متعلق به خود نویسنده است.