几十年来，医疗系统一直在部署特定领域的自动化和零散的软件解决方案，以使电子健康记录（EHRs）在提供护理、监测质量和控制成本方面更加有效。这些目标很大程度上依赖于准确的代码集，用于描述患者的状况和提供的护理。然而，医疗人员短缺、医疗编码复杂性增加和支付方规则的变化，以及对更个性化护理的压力，使得许多医院在人员短缺、医生倦怠和未报销护理方面面临巨大挑战。
幸运的是，作为对此动荡局面的回应，我们看到了新一代的人工智能（AI）和深度机器学习的出现。这些解决方案可以通过整合患者旅程中分散的临床信息，实现前所未有的准确性和验证索赔的能力。新技术现在可以准确捕捉并自主编码床边会诊，从而以前所未有的方式改变医生的工作流程，更快、更低成本地获得批准的索赔。
我在过去的25年里一直致力于通过改进IT系统与电子记录的交互来提高效率和可用性，同时意识到EHR最初是为注册和计费设计的，而不是为了医生的工作流程和改善患者结果。
人工智能提高医疗系统盈利能力的能力——通过提高保险索赔的速度、效率和准确性——现在在整个医疗保健行业得到了广泛的理解。借助数据摄取和集成工具，AI可以适应医疗系统的现有界面，因此医院不必重新发明轮子来利用自动化，以改善其盈利能力。
先进的机器学习具有巨大的潜力，可以为现代医疗系统的混乱带来秩序。为此，以下是AI正在以三种方式变革医疗编码，以改善实践的财务状况和患者获得的护理质量：
减轻医生负担
除了患者护理交付的压力外，现状还要求医生花费大量行政时间在病历记录和医疗编码上。由于医学院没有开设编码课程，医生们通常默认使用他们最常用或“最喜欢的”代码。这经常导致校准不良和不准确的编码，无论是关于患者的急性程度还是提供的护理水平。
自动化现在可以减轻医生的这一负担，将行政时间转换为患者护理时间。AI可以从医疗记录和患者历史时间线中挖掘信息，以更准确地了解患者的诊断和治疗计划，节省医生的时间，提供更准确的编码，并确保准确支付所提供的治疗费用。然而，对于复杂的病例，仍应保留医疗编码员的参与，以及常规的人工质量审核和反馈机会。
提高索赔质量
AI能够填充反映EHR中表达的临床特异性的诊断和程序代码，并将其应用于收入周期的目标，以满足索赔过程的最高质量要求。提供者可以规定每个自动索赔必须达到的质量水平。当AI生成的预测不符合该标准或遇到索赔编辑时，案件可以直接路由到手动编码员，同时附带自主预测的代码集、相关患者详情和患者会诊记录，以尽可能高效地进行案件审查和编码。
在这两方面，AI的目标是加快提交索赔的速度、全面性和准确性。随着模型从人工编码活动中学习，不断优化，从而不断提高覆盖率和准确性，这一额外的好处也随之而来。
生成全面的临床代码集
尽管大多数EHR已经履行了收集医疗系统数字化数据的角色，但在有意义和高效地打包和展示这些数据方面，仍然存在很大差距，无法推动对任何给定患者临床状况的全面、纵向评估。
医疗系统投入数百万美元来生成准确的评估，形式为诊断和程序代码，用途远不止产生可计费的索赔。事实上，整个企业的编码成本几乎是收入周期部门支出的两倍。
但是，如果AI能够评估纵向记录，那么为什么仅限于生成仅满足相对较低的“医疗必要性”门槛的会诊特定代码呢？相反，由AI驱动的自主编码可以提高标准，建立全面的临床代码集，从而支持预先授权和利用管理，识别护理缺口，制定护理计划，填充护理登记册，以及通过患者招募支持临床研究。
进一步而言，可以建议AI在护理点协助提供者，通过构建准确且全面编码的问题列表和会诊历史，使提供者无需查阅患者的病历来帮助适当提供护理。这在急诊和床边服务中尤其有效，这些是最困难的服务线之一，因为诊断和程序代码的多样性和复杂性。
这些转型变化正在许多医疗领导者的脑海中逐渐成形，因为他们开始消化、实施、信任并拥抱AI在医疗编码中可能在整个企业中发挥的力量。随着对精心设计的AI平台所能提供的优势的理解和信心的增强，深度学习将使复杂医疗系统中的各个参与者能够更多地关注护理而减少编码。这将是一个对收入周期管理者、提供者和患者都有吸引力的未来。
(全文结束)
