Em um mundo ideal, o setor de saúde seria a arena perfeita para liberar o potencial transformador da inteligência artificial.
Modelos sofisticados de IA exigem grandes quantidades de dados para aprender e dados de saúde representa quase um terço de todos os dados existentes. No entanto, todas essas informações poderiam alimentar o desenvolvimento de algoritmos capazes de detectar e diagnosticar doenças, prescrever tratamentos preventivos e cumprir inúmeras outras funções com velocidade e precisão muito maiores do que a equipe de médicos mais altamente qualificada. Com esse tipo de promessa, sem dúvida vale a pena aproveitar esse poder.
Usos da IA na área da saúde
Em alguns casos, o potencial da IA já foi realizado. Por exemplo, radiologistas equipados com ferramentas baseadas em IA conseguiram revisar e traduzir mamografias 30 vezes mais rápido do que fariam, com 99% de precisão. Então, naturalmente, esses resultados alimentaram um tremendo entusiasmo entre as partes interessadas em todo o ecossistema de saúde.
No entanto, a realidade atual é que a maioria das organizações de saúde não tem a infraestrutura ou os recursos de gerenciamento de dados necessários para treinar suficientemente algoritmos que possam ser implantados de forma confiável em um ambiente clínico.
-
-
-
-
Além disso, a natureza complexa e fragmentada da indústria e os incentivos desalinhados que sustentam o status quo dificultaram ainda mais a inovação tecnológica e criou barreiras que simplesmente não existem em outros setores. No entanto, o potencial de transformação permanece.
Buscando soluções
Embora ainda existam enormes obstáculos para a implantação da IA em ambientes clínicos, os obstáculos não são como significativo para outros casos de uso. Uma das mais promissoras está na área de codificação médica, principalmente quando se trata de ajuste de risco. No entanto, como a quantidade de dados de saúde continua a crescer exponencialmente, os codificadores médicos permanecerão em alta demanda e em falta.
Felizmente, as ferramentas de IA equipadas com recursos de processamento de linguagem natural podem ajudar a aliviar alguns dos os encargos de codificação, permitindo que os planos de saúde superem a crescente lacuna de talentos e, ao mesmo tempo, melhorem a velocidade e a precisão da codificação.
Atualmente, muitas organizações que dependem apenas de equipes humanas (muitas vezes com falta de pessoal) tendem a ver velocidade e precisão como inversamente correlacionados. No entanto, um bom mecanismo de IA/NLP não exigirá que eles sacrifiquem um pelo outro.
Acelerar a codificação
O uso de IA para acelerar a codificação médica dá aos codificadores humanos mais tempo para corrigir erros dispendiosos, aumentando a precisão e potencialmente permitindo que as instalações direcionem mais recursos para onde são mais necessários.
A PNL avançou significativamente nos últimos cinco anos. E as ferramentas de codificação que aproveitam sua tecnologia aumentam a precisão dos códigos e resolvem o problema de sobrecodificação excluindo os códigos que não deveriam estar lá.
Na superfície, esse tipo de aplicativo pode parecer relativamente mundano , mas suas implicações podem realmente ser revolucionárias para planos de saúde, provedores e pacientes.
The Need for Speed
O ritmo lento da codificação médica tem tem sido um ponto de dor para os planos de saúde. Pode levar semanas, meses ou às vezes até anos para revisar e processar manualmente as notas do gráfico para identificar as informações pertinentes. Além disso, pacientes com condições crônicas ou contínuas precisam de tratamento enquanto os planos de saúde e provedores trabalham para identificar os códigos de categoria de condição hierárquica (HCC) mais precisos.
Muitos planos usam revisões de prontuários simultâneos e retrospectivos para abordar essas condições no mesmo ano civil. Ainda assim, à medida que o volume, a variação e a complexidade dos dados de saúde aumentam, soluções melhores são extremamente necessárias. É por isso que mais organizações estão recorrendo à PNL para pesquisar, analisar e interpretar rapidamente grandes conjuntos de dados de pacientes.
Easing Up Workflows
AI/NLP Os mecanismos transformam a experiência do codificador médico em um ativo mais útil para os planos de saúde, permitindo que esses profissionais se concentrem em um trabalho mais significativo (como identificar tendências e padrões incomuns nos dados).
À medida que os codificadores ganham familiaridade com ferramentas baseadas em IA, sua velocidade de codificação continuará a aumentar ao longo do tempo, reduzindo assim o custo de codificação de um gráfico e tornando esses funcionários humanos cada vez mais valiosos para suas organizações.
Nenhum ser humano consegue se lembrar todos os códigos de categoria de condição hierárquica (que se expandiram rapidamente nas últimas décadas). Ainda assim, com a ajuda da IA, equipes humanas podem combinar mais rapidamente um código com sua condição correspondente.
O custo da complacência
Em contraste, as organizações que continuam a depender de ferramentas de codificação tradicionais enfrentarão mais dos mesmos obstáculos que atormentam o setor há anos. Dado que mais de 9.500 códigos ICD-10 mapeiam cerca de 80 HCCs, os codificadores médicos que não podem contar com recursos de pesquisa aprimorados por PNL têm muito mais probabilidade de perder códigos.
Registros médicos de PNL usando máquina algoritmos de aprendizado podem até descobrir doenças que podem não ter sido codificadas anteriormente – um recurso essencial para fazer descobertas de doenças HCC.
Além disso, a alocação manual de gráficos para codificadores pode ser caro do ponto de vista gerencial e o torna desafiador para dimensionar projetos para grandes equipes.
Também coloca os codificadores em grave desvantagem: sem a priorização de PNL, eles devem vasculhar manualmente os gráficos, muitas vezes resultando em fadiga e esgotamento. Além disso, como as ferramentas tradicionais geralmente oferecem apenas recursos de relatórios limitados, as equipes que as utilizam continuarão a ter dificuldades com a supervisão do projeto e o gerenciamento de desempenho.
Aproveite algoritmos avançados
Como eles podem aproveitar algoritmos avançados, o aprendizado de máquina e os mecanismos de PNL podem ajudar as equipes a coletar insights e conceitos relevantes de dados previamente considerados enterrados em forma de texto.
Dando voz aos não estruturados dados, essas ferramentas podem entender melhor a qualidade dos dados, melhoria contínua do processo, maior precisão de ajuste de risco e melhores resultados para o paciente.
Uma palavra de cautela
Como qualquer tecnologia emergente, os mecanismos de PNL não são uma panacéia. Sem treinamento suficiente, eles podem perder códigos valiosos, e a realidade é que muitas ferramentas de codificação de PNL são treinadas em um número limitado de registros médicos. Como resultado, eles tendem a lutar com condições menos comuns e formatos de registros médicos eletrônicos.
Além disso, a maioria das ferramentas de PNL ainda apresenta uma interface de usuário que simplesmente não é otimizada para atender às necessidades dos codificadores. Este não é um problema menor, pois uma interface do usuário mal projetada pode fazer com que os codificadores percam o contexto em torno das notas clínicas e cometam erros adicionais.
A eficácia dessas ferramentas também depende em grande parte dos fluxos de trabalho projetados em torno delas.
ferramentas de codificação NLP construídas com um tamanho único A abordagem que serve para todos geralmente não oferece suporte a fluxos de trabalho que não são puramente associados ao ajuste de risco. Por exemplo, a maioria não fornece recursos que permitem a auditoria do trabalho do fornecedor. Como resultado, as ferramentas de PNL que priorizam a velocidade sobre a precisão perderão os códigos e exporão as organizações a problemas de conformidade e ao risco de perda de receita.
De acordo com um estudo do CMS, 80% dos pagamentos indevidos resultam de codificação imprecisa; esses pagamentos impróprios podem levar a acusações de fraude que podem custar três vezes mais do que uma reivindicação falsa, tornando a precisão um imperativo financeiro para as organizações de saúde.
A escolha da velocidade tende a resultar no envio de códigos impróprios , que tem um efeito dominó, pois pagamentos mais baixos ou auditorias de validação de dados de ajuste de risco acabam por onerar o plano de saúde e, portanto, sua capacidade de apoiar a saúde do paciente.
Powering Progress
Quando bem projetados e implementados adequadamente, os mecanismos de IA/NLP podem impulsionar a velocidade e a precisão da codificação médica. Eles permitem que os codificadores alcancem velocidades de codificação significativamente mais rápidas, reduzindo os casos de erro humano e a infinidade de riscos que os acompanham.
Tornando o processo de extração de informações de anotações médicas e atribuição de códigos médicos muito mais eficiente , essas ferramentas aceleram o faturamento e garantem que as organizações que as implantam possam continuar a oferecer suporte à saúde do paciente no futuro.
Crédito da imagem: fornecido pelo autor; Obrigado!
Sishir Reddy co-CEO da Episource
Sishir supervisiona a organização global de mais de 3.500 pessoas, motivando e liderando equipes em torno da visão e objetivos da empresa. Ao alavancar seu amplo conhecimento e experiência no setor de saúde, incluindo gerenciamento de ciclo de receita e serviços de codificação médica, ele ajudou a tornar a Episource um fornecedor líder de soluções focadas no pagador. Sishir é bacharel em Química pelo Claremont McKenna College e MIS pela Claremont Graduate University.
