如何降低拒赔率？尽管多年来人工智能一直是最初的决策者，但它必须得到更好的训练。要做到这一点，它需要帮助。
几乎没有比个人健康更私密的事情了，因此当由人工智能运行的计算机算法拒绝治疗时，无论是对患者还是提供者来说都是令人愤怒的。人们希望其他人来做关于索赔的决定，但如今这些决定很少再由人来做。在一个理想的世界中，拒赔不会存在，但在当前的美国医疗体系中，它们是必要的。如果支付方覆盖每一个索赔，保险欺诈和过度索赔将泛滥成灾。支付方覆盖的内容和不覆盖的内容之间必须有一个平衡。从目前较高的拒赔率来看，显然存在不平衡。
通过NPI-Forward方法解决混乱的提供者数据
ProviderTrust公司的Mike Wirth在上个月于纳什维尔举行的ViVE 2025会议上分享了关于该公司的见解。
我们如何降低拒赔率？虽然人工智能多年来一直是最初的决策者，但它必须得到更好的训练。要做到这一点，它需要帮助。
人工智能在拒赔中的应用：
过去几年，医疗保险行业在自动化理赔和审核流程方面进行了大量投资。这项技术已经为患者和提供者带来了改进。
- 减少繁琐的任务：在理赔过程中加入人工智能，使临床医生可以通过同行评审花费更多时间照顾患者，而不是逐行阅读每个理赔单。这释放了时间来审查可能需要额外人工干预的复杂理赔。
- 更快的理赔：不再需要等待数天甚至数周才能了解理赔状态，人工智能可以几乎立即做出理赔决定。如果理赔被拒绝，人工智能模型可以立即提供反馈，允许提供者重新提交以获得批准。虽然15%的理赔最初被拒绝，但其中54%最终得到了支付。如果拒赔是由于理赔单中缺少某些信息，那么越早知道这一点，就越快能够纠正并获得支付。
- 更好的收入周期管理：时间就是金钱。当理赔过程缓慢时，提供者可能无法按时获得支付。通过人工智能加速这一过程，提供者可以更好地了解何时会收到付款。
改进用于医疗拒赔的人工智能
当然，你不能只是把人工智能扔到一个问题上，就期望它立即解决。这需要时间。需要努力使人工智能模型尽可能接近完美。回想一下生成式人工智能模型首次生成图像的时候，人们看起来根本不像是人——手有时会有八个手指，躯干可能会像人的腿一样长。但经过多年的数据和人工调整，这些模型学会了创建照片级真实的图像。对于医疗理赔的人工智能，在某些情况下，仍然处于生成搞笑图片的阶段——它需要更多的时间和数据。幸运的是，美国医疗行业有大量的数据。这些模型需要更多的修正，而没有人比每天处理这些模型的临床医生更适合提供这种帮助。
当临床医生将自己的保险理赔知识输入这些模型时，它们会得到改进。例如，他们为什么做出护理决定的信息，如考虑患者的病史或不断变化的临床指南。人工智能模型对决策过程的理解越多，它就会变得越好。这种由人类进行的精细调整将使医疗理赔的人工智能从八个手指的图片变成一张你会认为是真实的照片。
缩小支付方与提供者之间的拒赔差距
支付方正在努力维持医疗行业的财务稳定。提供者则致力于治疗患者。这些利益并不总是对齐的。这就是拒赔的原因。即使在理赔中越来越多地使用人工智能，也有办法让提供者领先一步。
- 预测分析：医疗系统应创建或整合自己的预测性人工智能模型，以更好地理解和准备支付方的理赔模型。这就像给珍贵的家庭食谱覆膜一样。这是提供者在提交理赔之前可以采取的一个额外步骤，以保护其免遭拒赔。
- 教育：通过预测分析，更多的提供者将更好地理解支付方的理赔模型，并知道需要做什么来确保批准。如果临床医生继续遇到相同的理赔被拒，医疗机构必须找到一种方式来联系并教育他们如何降低拒赔率。
人工智能不会消除拒赔，也不应该这样做。然而，它可以减少拒赔并继续加快审批过程。随着技术的进步、变得更加普遍和成功，信任也会随之而来。临床医生不必逐行查看理赔单以确保其获批，而是可以更多地关注患者。患者将不必担心拒赔，可以把精力放在康复上。人工智能将继续存在，只要专家们怀着最好的意图引导它走上正确的道路，医疗保健将会改善，拒赔率也将下降。
(全文结束)
