医疗保健分析峰会回来了!9月13日至15日,我们将在盐湖城现场直播。现在注册

预测拒绝以改善医疗保健收入周期并最大化经营利润率

2021年4月15日
马洛Dazley

财务咨询服务部高级副总裁兼董事总经理

文章总结


医疗保健行业的财务主管一直在集思广益,通过更好的收入周期表现来提高运营利润率。这些努力往往导致收入周期负责人拒绝索赔——当付款人不偿还卫生系统提供的服务时。虽然否认是造成收入损失的常见原因,但专家认为近90%的损失是可以避免的。

有效的拒绝管理始于预防。组织可以使用收入周期绩效数据,结合人工智能,预测每个索赔生命周期中可能导致拒绝的领域。有了拒绝洞察,卫生系统可以优化收入周期流程,以防止拒绝并增加运营利润率。

医疗保健收入周期

卫生系统面临着越来越大的提高营业利润率的压力,尽管新冠肺炎等新挑战可能会在收入增长的同时迅速侵蚀收入。因此,医疗保健财务领导者正在更密切地检查收入周期表现,以寻找削减成本的机会,包括卫生系统最常见的收入周期挑战之一,否认了这一说法。

被拒绝索赔发生在付款人拒绝医院或诊所就所提供的服务提出索赔,导致医院得不到付款。否认会导致收入损失,这是一些组织在利润微薄的情况下无法承受的,特别是在大流行期间。

尽管否认是卫生系统的一个持续痛点,贝克尔医院评论估计,86%否认是可以避免的。这是一个好消息,因为这意味着,在人工智能工具和流程的支持下,卫生系统可以预测和减少拒收,从而增加收入。

拒绝索赔会导致经济损失和资源浪费

拒绝治疗的原因有很多,从医院没有提供文档这就支持了医疗程序处理行政错误的必要性。例如,保险公司(例如,CMS如果医院提交的索赔信息不正确,例如过时的患者保险信息或拼写错误的名称,则可以拒绝医院的索赔。

虽然否认会导致失败每宗索赔$118,影响大于美元金额。拒绝还会耗费卫生系统用于修改索赔的资源。当卫生系统收到付款人的拒绝时,该组织必须决定是否可以修复拒绝,或者索赔是否丢失且无法恢复。如果医疗系统能够解决索赔问题,它将重新开具账单,并有望收到付款。

例如,如果医疗系统认为它可以修复并重新提交索赔,则计费团队将审查数据并努力了解拒绝的原因。然后,该团队将与患者访问团队、健康信息管理、提供者和其他人合作,以了解索赔提交过程中出现的问题。一旦账单团队收集了所有的信息,它就会重新提交索赔,目的是支付。但是,付款并不是保证,如果医院收到了第二次提交的付款,其团队成员仍然完成了两倍的工作量。

卫生系统可以避免这种类型的重复工作并改善医疗保健收入周期的一种方法是提高支付者第一次接受索赔的可能性。组织可以通过利用人工智能来减少甚至防止被拒绝的索赔。使用先进的分析算法,人工智能工具和流程可以通过使用预测模型来监控整个计费流程,并在特定流程中断时提醒利益相关者,从而预测容易被拒绝的领域。这允许收入周期团队的成员在拒绝发生之前进行干预并修复问题。

用人工智能预测拒绝的四个步骤

卫生系统可以使用以下四个步骤为人工智能奠定基础,然后使用人工智能预测模型来预测拒绝。因此,组织可以优化医疗保健收入周期性能并增加利润。

步骤1:数据来源

卫生系统首先必须有基础设施来汇总来自多个来源的数据,以全面了解卫生保健收入周期。该组织的收入周期团队需要代表索赔过程的所有输入,以准确了解程序何时发生,以及卫生系统何时对程序进行编码并向付款人收费。有了来自收入周期每个步骤的数据,团队成员对索赔的生命周期有了完整的了解,使他们能够看到系统中应该导致现金收集的所有活动,并确定每个潜在的问题领域。

步骤2:确定拒绝基线

一旦整个收入周期的数据集中到一个地方,卫生系统就可以使用数据报告工具,例如世界杯葡萄牙vs加纳即时走地健康催化剂收入周期顾问,以确定当前收入周期表现的差距。这些数据也将是第4步预测模型的相关输入。

在这一步中,卫生系统可以使用汇总的收入周期数据来定义收入周期绩效基线,以便能够衡量未来的任何变化。一个准确的基线可以帮助收入周期团队衡量进展,并在进展没有以预期的速度发生时改变方向。

步骤3:确定医疗保健收入周期事件序列中的变化

在卫生系统定义基线后,财务主管可以开始使用与患者遭遇相关的拒绝数据和其他数据元素(例如,程序信息),以发现导致收入周期变化的特定行为。除了第2步中捕获的数据外,该数据还与预测模型中包含的数据相关。

因为每个医疗保健收入周期都遵循一系列事件,全面的数据可以让领导者看到收入周期中实际发生的情况和应该发生的情况,从而确定医疗系统在哪里亏损。例如,对于每个程序,卫生系统都安排和注册患者,执行程序,捕获费用,并为这些费用开具账单。序列中的任何中断或错误都会导致索赔被拒绝(或付款不足),直接影响收入流。全面的数据将揭示索赔过程中可能导致拒绝的任何变化。

第四步:实现人工智能模型算法来预测拒绝倾向

在步骤4中,卫生系统应该能够识别步骤2和步骤3中最终影响收入周期否定结果的所有数据输入,并将它们包括在预测模型中。有了准确的数据输入,卫生系统可以使用人工智能模型来预测拒绝倾向。这意味着该模型将标记出卫生系统不太可能获得支付的潜在领域(例如,在收入周期事件链中的保险授权和计费步骤之间)。通过预测模型的洞察,卫生系统确切地知道要以收入周期的哪个领域为目标,以优化工作流程,从而减少拒绝。

人工智能可以增加医疗保健收入周期,并保持医院的大门敞开

金融医疗保健领导者不应忽视人工智能在优化医疗保健收入周期方面的力量。卫生系统可以减少收入周期管理的一些手工负担,并通过使用人工智能来预测索赔生命周期中可能导致拒绝的领域,避免传统的反应性拒绝方法。

有了可操作的信息,卫生系统可以增加每项索赔收到付款的可能性,因为收入周期领导者确切地知道在医疗保健收入周期过程中应该解决什么问题。这种洞察力允许组织获得所提供的每项服务的全额报销,以便他们可以专注于最重要的事情——为他们所服务的社区提供高质量的护理。

更多的阅读

你想了解更多关于这个话题的信息吗?以下是我们推荐的一些文章:

  1. 减少医疗保健支出的三种成本节约策略
  2. 电荷捕获优化:瞄准五个热点来提高底线
  3. 减少坏账:在COVID-19期间限制风险敞口的四种策略
  4. 为最脆弱的患者群体建立预测模型的正确方法
  5. 医疗保健中的人工智能和机器学习:四个现实世界的改进

幻灯片

您愿意使用或分享这些概念吗?下载这个突出重点的演示文稿。

高效医疗保健数据分析师的四大技能

本网站使用cookies

我们以为您提供相关、有用的内容而自豪。我们可以使用cookie来跟踪您阅读的内容吗?我们非常重视您的隐私。请参阅我们的隐私政策详情和任何问题。