Peluang Otomasi Utama yang Harus Difokuskan oleh Pemimpin Layanan Kesehatan Selanjutnya

Sistem kesehatan global kewalahan dan kekurangan staf. Rumah sakit telah memeras setiap kemungkinan efisiensi dari petugas kesehatan, dan melakukan tugas-tugas administrasi membutuhkan persentase waktu penyedia yang sangat besar dibandingkan dengan yang dihabiskan untuk merawat pasien. Penggunaan alat kecerdasan buatan—seperti transkripsi suara-ke-teks untuk resep dan catatan bagan, dan penjadwal staf otomatis—mulai mengurangi beban administrasi.

Mengotomatiskan verifikasi cakupan asuransi dan otorisasi sebelumnya yang berisiko rendah dapat menjadi langkah besar berikutnya bagi para pemimpin layanan kesehatan yang mencoba berinovasi melalui kekurangan tenaga kerja industri. Klaim asuransi dan otorisasi sebelumnya sering kali mengharuskan petugas kesehatan melakukan panggilan telepon, mengirim email dan teks, dan, dalam beberapa kasus, formulir faks ke perusahaan asuransi—dan kemudian menunggu tanggapan, kata Sandra Carrico, Wakil Presiden Pembelajaran Mesin untuk Sorcero, platform kecerdasan bahasa ilmu kehidupan yang berfokus pada hasil pasien, peningkatan produktivitas, dan pemantauan peraturan.

Pemimpin layanan kesehatan yang ingin membuat kemajuan dengan AI perlu merasa nyaman dengan bergerak lebih cepat daripada biasanya—dan batasan yang kuat dan mapan antara penyedia dan perusahaan asuransi harus dilanggar.

Rata-rata, otorisasi manual sebelumnya membutuhkan rata-rata 21 menit waktu staf—dan satu otorisasi dapat memakan waktu hingga 45 menit, menurut laporan tahun 2021 dari Council for Affordable Quality Healthcare (CAQH), sebuah organisasi nirlaba. aliansi rencana kesehatan, penyedia, lembaga pemerintah, dan badan penetapan standar. “Jika kami dapat mengotomatiskan otorisasi sebelumnya, kami dapat menggunakan profesional perawatan kesehatan kami yang sangat terlatih dengan lebih baik,” kata Carrico. “Dari sudut pandang produktivitas, ini adalah kemenangan sederhana.”

Ini juga merupakan kemenangan finansial yang jelas. Perusahaan asuransi dan pembayar lainnya seperti Medicare dapat menghemat hingga $437 juta per tahun dengan mengotomatiskan otorisasi sebelumnya, menurut laporan CAQH yang disebutkan di atas. Kelompok tersebut memperkirakan bahwa industri perawatan kesehatan pada umumnya dapat mengurangi biaya administrasi sebesar $ 13,3 miliar per tahun dengan sepenuhnya menggunakan otomatisasi.

Mendobrak Tembok

Salah satu kendala utama untuk mengotomatisasi otorisasi sebelumnya adalah penyembunyian data antara penyedia dan perusahaan asuransi, kata Carrico, yang merupakan arsitek AI utama di Anthem selama periode ketika raksasa asuransi kesehatan berubah dari perusahaan asuransi tradisional menjadi cakupan dan perawatan. platform yang dibangun di atas data, AI, dan pembelajaran mesin.

American Medical Association telah menyerukan transisi ke otorisasi sebelumnya yang diotomatisasi dan disederhanakan setidaknya sejak 2018. Keseragaman dan transparansi data dari semua tingkat sistem perawatan kesehatan adalah prinsip reformasi utama yang ditentukan dalam dokumen panduan organisasi. Namun, otorisasi sebelumnya adalah salah satu area yang paling tidak aktif untuk menerapkan komputasi canggih oleh organisasi perawatan kesehatan, menurut CAQH.

Terkait: Bagaimana Bakat Terbuka Dapat Mendorong Transformasi Digital Healthcare

Sayangnya, industri perawatan kesehatan bergerak sangat lambat, catat Kyle Kotowick, seorang arsitek solusi dengan gelar doktor dalam integrasi sistem manusia dan pendiri konsultan sistem teknologi Invicton Labs. “Mereka mengambil pendekatan yang sama terhadap TI seperti yang mereka lakukan pada teknik dan prosedur medis baru: mengujinya dengan hati-hati di lingkungan yang terkendali, memastikannya tidak membahayakan, dan kemudian mempertimbangkan untuk mengadopsinya jika manfaatnya lebih besar daripada biayanya,” katanya .

Tetapi para pemimpin layanan kesehatan yang ingin membuat kemajuan dengan AI perlu merasa nyaman dengan bergerak lebih cepat dari biasanya—dan batasan yang kuat dan mapan antara penyedia dan perusahaan asuransi harus dilanggar. “Jika Anda ingin menyelesaikan masalah ini, Anda harus melanggar aturan,” kata Carrico.

Membawa Bakat Teratas

Bersaing untuk mendapatkan bakat adalah tantangan berkelanjutan bagi para pemimpin layanan kesehatan yang mencoba menerapkan AI. Perusahaan perawatan kesehatan tradisional selalu mengalami kesulitan bersaing untuk mendapatkan bakat yang dibutuhkan untuk membuat lompatan ini ke perawatan pasien tingkat lanjut, kata Raj Vishnu, Mitra Klien Senior untuk Perawatan Kesehatan dan Ilmu Kehidupan di Toptal, yang menempatkan pekerja lepas teknologi terampil di perusahaan perawatan kesehatan Fortune 25 ketika perusahaan mengembangkan pusat AI dan membuat inovasi digital lainnya.

Sekarang perusahaan teknologi besar seperti Google dan AWS telah pindah ke ruang perawatan kesehatan, bahkan lebih sulit bagi perusahaan perawatan kesehatan untuk mengunci pekerja teknologi penuh waktu dengan keterampilan tingkat lanjut, katanya.

“Selama beberapa tahun terakhir, teknologi telah berubah secara eksponensial tetapi pasar bakat meningkat dalam skala linier, yang berarti kesenjangan semakin melebar dari hari ke hari,” kata Wisnu. “Jadi, sangat penting bagi perusahaan perawatan kesehatan untuk memiliki model bakat yang kuat untuk menangani keadaan masa depan secara efektif.”

Menggunakan tim bakat kontingen dengan kemampuan untuk membangun model komputer canggih adalah salah satu pilihan. Ini bisa lebih hemat biaya daripada bersaing untuk mempekerjakan pekerja teknologi penuh waktu yang langka, katanya, dan itu juga membuat tim tetap gesit dan mampu berputar dan berinovasi sesuai kebutuhan. Perusahaan juga akan memerlukan akses ke pekerja operasional—dikenal sebagai operasi pembelajaran mesin, atau ML Ops—yang akan ditugaskan untuk menjalankan otomatisasi setiap hari, kata Carrico.

Mempekerjakan orang untuk melakukan ML Ops mungkin lebih menantang daripada mempekerjakan tim untuk membangun sistem. “Alatnya belum matang, orang tidak mengerti pertanyaan apa yang harus diajukan, polanya belum terbentuk dengan baik, dan tidak dipahami secara luas,” catatnya.

Terkait: Jelajahi Direktori Keterampilan Pengembang Toptal untuk Bakat AI

Maju Dengan AI dalam Perawatan Kesehatan

Perusahaan besar yang bekerja dengan Toptal sekarang menggunakan AI untuk layanan pelanggan, penagihan, manajemen perawatan, dan mengadili klaim. Dan dalam rapat pemegang saham virtual pada tahun 2021, chief digital officer perusahaan mengatakan bahwa perusahaan mengharapkan untuk mengotomatisasi 50% pekerjaannya selama beberapa tahun ke depan.

Sudah waktunya bagi perusahaan asuransi kesehatan berpikiran maju lainnya untuk melangkah dan memimpin biaya ini. “Semua informasi mengalir melalui perusahaan asuransi karena merekalah yang membayar,” kata Wisnu. “Di perusahaan perawatan kesehatan tempat kami bekerja, talenta Toptal akhirnya membangun seluruh platform AI mereka, yang sadar akan semua informasi yang mereka dapatkan: informasi klaim, data klinis, informasi demografis, data yang dapat dikenakan, semua itu— dan membentuk apa yang disebut danau data.”

Pada aliran data yang dalam inilah keputusan otorisasi kecil sebelumnya dapat dibuat, di antara keputusan otomatis lainnya. "Ini adalah win-win-win untuk perusahaan asuransi dan pasien, serta untuk kantor dokter," katanya. “Akan ada keragu-raguan dalam beberapa adopsi hanya karena sifat dari hubungan yang ada, tetapi itu semua adalah hambatan yang akan disingkirkan. Nilai yang akan dilihat oleh pasien sangat besar sehingga sistem akan beradaptasi — dan itu akan sama-sama bermanfaat bagi semua pemain.”