Ключевые возможности автоматизации Руководители здравоохранения должны сосредоточиться на следующем

Глобальные системы здравоохранения перегружены и недоукомплектованы кадрами. Больницы выжали из работников здравоохранения все возможное, а выполнение административных задач отнимает тревожно большой процент времени медицинских работников по сравнению с тем, что тратится на лечение пациентов. Использование инструментов искусственного интеллекта, таких как преобразование голоса в текст рецептов и заметок к картам, а также автоматические планировщики кадрового обеспечения, начинает снижать административную нагрузку.

Автоматизация проверок страхового покрытия и предварительных разрешений с низким уровнем риска может стать следующим важным шагом для лидеров здравоохранения, пытающихся найти новый путь преодоления нехватки рабочей силы в отрасли. Страховые претензии и предварительные разрешения часто требуют, чтобы медицинские работники звонили по телефону, отправляли электронные письма и текстовые сообщения, а в некоторых случаях отправляли формы по факсу в страховые компании, а затем ждали ответов, говорит Сандра Каррико, вице-президент по машинному обучению для Sorcero, Платформа языковой аналитики медико-биологических наук, ориентированная на результаты лечения пациентов, повышение производительности и нормативный контроль.

Руководителям сферы здравоохранения, которые хотят добиться успехов с помощью ИИ, необходимо освоиться и двигаться быстрее, чем они привыкли, а также необходимо сломать прочные, установленные границы между поставщиками медицинских услуг и страховыми компаниями.

Согласно отчету Совета по доступному качественному здравоохранению (CAQH) за 2021 год, предварительное разрешение вручную занимает в среднем 21 минуту рабочего времени сотрудников, а одно разрешение может занять до 45 минут. союз планов медицинского страхования, поставщиков, государственных учреждений и органов по установлению стандартов. «Если бы мы могли автоматизировать предварительную авторизацию, мы могли бы гораздо эффективнее использовать наших высококвалифицированных медицинских работников», — говорит Каррико. «С точки зрения производительности это простая победа».

Это также явная финансовая победа. Согласно вышеупомянутому отчету CAQH, страховые компании и другие плательщики, такие как Medicare, могут сэкономить до 437 миллионов долларов в год за счет автоматизации предварительных разрешений. По оценкам группы, индустрия здравоохранения в целом может ежегодно сокращать свои административные расходы на 13,3 миллиарда долларов за счет полного использования автоматизации.

Разрушение стен

Одним из основных препятствий для автоматизации предварительных разрешений является разрозненность данных между поставщиками и страховыми компаниями, говорит Каррико, который был главным архитектором искусственного интеллекта в Anthem в период, когда гигант медицинского страхования превратился из традиционной страховой компании в страховое покрытие и уход. платформа, построенная на данных, искусственном интеллекте и машинном обучении.

Американская медицинская ассоциация призывает к переходу на автоматизированное и упрощенное предварительное разрешение как минимум с 2018 года. Единообразие и прозрачность данных со всех уровней системы здравоохранения являются ключевыми принципами реформ, прописанными в руководящих документах организации. Тем не менее, по данным CAQH, предварительная авторизация является одной из наименее активных областей для внедрения передовых вычислений организациями здравоохранения.

По теме: Как открытые таланты могут стимулировать цифровую трансформацию здравоохранения

К сожалению, отрасль здравоохранения развивается очень медленно, отмечает Кайл Котовик, архитектор решений с докторской степенью в области интеграции человеческих систем и основатель консалтинговой компании Invicton Labs, специализирующейся на технологических системах. «Они используют тот же подход к ИТ, что и к новым медицинским методам и процедурам: тщательно проверяют их в контролируемой среде, убеждаются, что они не наносят никакого вреда, а затем рассматривают возможность их внедрения, если преимущества перевешивают затраты», — говорит он. .

Но лидеры здравоохранения, которые хотят добиться успеха с помощью ИИ, должны научиться двигаться быстрее, чем они привыкли, и должны быть нарушены прочные, установленные границы между поставщиками услуг и страховыми компаниями. «Если вы хотите решить эти проблемы, вам придется нарушить правила, — говорит Каррико.

Привлечение лучших талантов

Конкуренция за таланты — постоянная проблема для лидеров здравоохранения, пытающихся внедрить ИИ. Традиционным медицинским компаниям всегда было трудно конкурировать за таланты, необходимые для того, чтобы сделать эти скачки в передовом уходе за пациентами, говорит Радж Вишну, старший клиентский партнер по здравоохранению и медико-биологическим наукам в Toptal, который нанял квалифицированных технических фрилансеров в медицинскую фирму Fortune 25, когда компания разработала свой центр искусственного интеллекта и сделала другие цифровые инновации.

По его словам, теперь, когда крупные технологические фирмы, такие как Google и AWS, перешли в сферу здравоохранения, медицинским компаниям стало еще труднее заблокировать штатных технических работников с передовыми навыками.

«За последние несколько лет технологии меняются экспоненциально, но рынок талантов улучшается в линейном масштабе, а это означает, что разрыв увеличивается изо дня в день», — говорит Вишну. «Поэтому крайне важно, чтобы у медицинских компаний была надежная кадровая модель для эффективного управления будущим состоянием».

Одним из вариантов является использование резервных групп талантов, способных создавать продвинутые компьютерные модели. По его словам, это может быть более рентабельно, чем конкурировать за наем дефицитных технических специалистов на полный рабочий день, а также позволяет командам быть гибкими и способными вносить изменения и внедрять инновации по мере необходимости. По словам Каррико, фирмам также потребуется доступ к операционным работникам, известным как операции по машинному обучению или ML Ops, которым будет поручено ежедневно запускать автоматизацию.

Наем людей для выполнения ML Ops может быть даже более сложной задачей, чем наем команд для создания систем. «Инструменты еще не созрели, люди не понимают, какие вопросы задавать, шаблоны еще не установлены, и это не понимается в целом», — отмечает она.

Связанный: просмотрите каталог навыков разработчика Toptal для талантов ИИ

Двигаясь вперед с ИИ в здравоохранении

Крупная фирма, с которой работал Toptal, теперь использует ИИ для обслуживания клиентов, выставления счетов, управления уходом и рассмотрения претензий. А на виртуальном собрании акционеров в 2021 году директор по цифровым технологиям компании заявил, что компания рассчитывает автоматизировать 50% своей работы в течение следующих нескольких лет.

Пришло время другим дальновидным страховым компаниям активизироваться и возглавить этот процесс. «Вся информация проходит через страховую компанию, потому что она является плательщиком», — говорит Вишну. «В медицинской компании, с которой мы работали, специалисты Toptal создали целую платформу искусственного интеллекта, которая учитывает всю информацию, которую они получают: информацию о претензиях, клинические данные, демографическую информацию, данные о носимых устройствах и все такое… и это формирует то, что называется озером данных».

Именно на этом глубоком потоке данных могут быть приняты незначительные решения о предварительной авторизации, среди других автоматизированных решений. «Это беспроигрышный вариант для страховой компании и пациента, а также для кабинета врача», — говорит он. «В некоторых случаях усыновления будут возникать колебания только из-за характера существующих отношений, но это все барьеры, которые будут преодолены. Ценность, которую увидит пациент, настолько велика, что система адаптируется, и это будет одинаково полезно для всех игроков».