没有准确可靠的收入周期管理，医院或卫生系统很难成功运营。准确可靠的医疗编码是其中的重要部分。
越来越多的医疗机构看到了人工智能在增加收入和减轻行政负担方面的潜力，这些负担甚至影响到了提供者本身。但医疗编码员担心AI的准确性及其未来可能导致的失业。
然而，目标不应该是自主性，而是增强性。与其将人类从方程中移除，不如通过新的生成式AI辅助软件来增强人类的能力，Akasa（生成式AI收入周期管理技术供应商）的联合创始人兼首席技术官Varun Ganapathi如是说。Ganapathi拥有斯坦福大学计算机科学博士学位，专攻人工智能。
《Healthcare IT News》采访了Ganapathi，以了解生成式AI如何用于收入周期领域，如医疗编码，技术如何培训以分享其建议的依据，组织在探索生成式AI系统及其底层技术时需要考虑的因素，生成式AI实施的最佳实践，特别是针对编码和收入周期流程，以及生成式AI工具如何帮助解决收入周期劳动力短缺问题。
Q. 生成式AI如何用于收入周期领域，如医疗编码？您会如何提醒用户？
A. 生成式AI是收入周期的未来。这个复杂的行业依赖于高度手动和耗时的任务，涉及在复杂的电子健康记录（EHR）和支付者门户中操作，处理无尽的文档，应对不断变化的法规和政策——所有这些都在努力优先考虑患者体验。
生成式AI由大型语言模型（LLM）驱动，这些模型深刻理解患者记录并理解以前对计算机来说不透明的临床数据。有了LLM，所有这些都是可以访问的。训练LLM理解医疗保健领域及其数据，开启了许多可能性，包括真正解决收入周期中一些主要痛点的更直接路径。
历史上，编码对于大多数旧技术来说过于复杂，无法充分解决。生成式AI则不然，它可以专门针对健康系统的数据进行训练。这使得生成式AI可以从患者数据和工作流中提取相关信息，而不是从庞大的在线数据库中提取。
从那里开始，生成式AI可以与现有的编码专家协同工作，生成建议的报价和代码。由于生成式AI基于LLM运行，它会继续学习。因此，如果某个州的编码规则更新或添加了新的患者数据，生成式AI可以快速适应。
用户需要谨慎的是自主编码。虽然这一想法令人兴奋，但在执行中，自主编码带来了许多风险，包括不准确的编码建议。这就是为什么医疗系统应始终使用经过其数据微调的可信生成式AI模型，并让人类参与其中。
Q. 您认为在收入周期中使用生成式AI时，展示工作过程是关键。为什么？技术如何培训以分享其建议和见解的依据？
A. 在医疗保健中，尤其是使用生成式AI时，展示作业过程至关重要。幻觉，即生成式AI输出不是基于事实数据的情况，是一个真实的问题。想象一下，一个工具为患者建议错误的代码。一次常规就诊可能会变成巨额医疗账单和误诊。
AI的历史上，很多都是黑箱操作，我们看不到技术的工作过程，也不理解结果来自何处。使用合适的生成式AI工具，编码员可以看到哪些编码建议被提出以及为什么。信息来自患者的哪些记录？
通过展示其工作过程，生成式AI允许团队在将建议提交给支付者之前对其进行审核，以确保准确的报销。它基于特定数据进行训练，因此学会了如何为每个组织和病例组合索引捕捉最成功的代码。
Q. 组织在探索生成式AI系统及其底层技术时需要考虑什么？
A. 组织在实施生成式AI之前需要做一些基础工作。虽然生成式AI可以即时学习并适应不同的工作流程，但它仍然需要一些帮助才能启动。
首先，医疗系统必须尽可能多地将其信息数字化。再次，您希望生成式AI基于医疗系统、数据和工作流程进行训练，这只有在信息数字化的情况下才能实现。
其次，任何生成式AI工具都必须与提供的系统兼容。它是否与组织的EHR兼容？使用的提供者门户呢？它能否跨服务线扩展，即使是复杂的线？
最后，也是最重要的一点，组织需要考虑安全性。生成式AI供应商的数据保留政策是什么？他们是否进行审计并加密所有数据？同样，组织也需要这样做。组织是否加密数据、运行审计并仅保留必要的数据？
Q. 生成式AI实施的具体最佳实践有哪些，特别是针对编码和收入周期流程？
A. 组织很容易对生成式AI感到兴奋，也很容易想要尽可能简化一切。相反，应该关注低垂的果实。哪些问题区域不是过于庞大和复杂？
更重要的是，哪些领域有最多的数据来训练生成式AI？这些可能是试点技术并证明成果的好领域。
例如，在编码方面，组织可以通过使用专门生成报价和代码建议的生成式AI工具来提高团队的效率。这甚至可以帮助减少需要医生参与编码建议的情况。
Q. 生成式AI工具如何帮助解决收入周期劳动力短缺问题，如医疗编码人员短缺？
A. 目前存在大量的医疗编码人员短缺。资深编码员正在退休，而新进入劳动力市场的人数不足。编码团队需要用更少的人力做更多的事情。但怎么做呢？历史上，技术一直是答案。
劳动力短缺导致时间压力，要求编码员比平时更快地工作。这会导致缺乏全面性，因为文档被跳过或遗漏了小细节。这些细节可能会导致漏失代码或错误代码，最终可能对质量指标产生负面影响。
生成式AI可以帮助找到人类可能遗漏的代码。一些生成式AI模型可以比员工更快地审查临床记录，并深入文件，从而提高准确性和以更低的成本实现适当的收入。
一些模型建议正确的代码，留给编码员的任务是审核或双重检查工作。这不仅可以让资深编码员减少从事琐碎工作的 时间，还可以让新员工以资深编码员的速度运作。
想象一下，这种潜力在整个收入周期中的应用。生成式AI正在帮助编码员更快地工作并表现得更好。
(全文结束)
