כיצד להשתמש ב-Data Analytics כדי להפוך לסמכות בתעשיית החיוב הרפואי

ניתוח נתונים יוצר אפשרות לענות על שאלות מסובכות שנותרו מעבר לגבולות לטכניקות ניתוח פשוטות יותר. בין התכונות הרבות של כריית נתונים, המשמעותיות ביותר הן כדלקמן:

אוטומציה

למרות שטכניקות נתונים פשוטות יותר וניתוח סטטיסטיקה משתמשים בנתונים להפרדה חכמה, היכולות שלהם אפילו לא מתקרבות ליכולות המורכבות של כריית נתונים. זה הופך את האחרון לעדיף בהרבה על מוסכמות של ניתוח סטטיסטי. הודות לאופי האוטומטי של מודלים של כריית נתונים, התלות בכניסות ידניות מצטמצמת באופן משמעותי, וניתן להשתמש בכמויות גדולות בהרבה של נתונים.

ניתוח נתונים עומד באתגרי חיוב וקידוד רפואיים

תעשיית הבריאות היא כזו שעוסקת בנתונים בהיקפים גדולים. יותר ויותר ארגונים בוחרים בכלים אנליטיים של שירותי בריאות כדי לקבל תובנות על פעולתם. חברות נתונים נגישות כעת יותר לחברות חיוב וקידוד רפואיים, כאשר כל דבר, החל משירות ועד תשתית IT במיקור חוץ. מהתגברות על אתגרים עסקיים ועד להגברת היעילות של העבודה היומיומית, היתרונות של כריית נתונים בתחום הבריאות נותרו חסרי תקדים. ערכנו מחקר על היתרונות הפופולריים של כריית נתונים עבור תעשיית החיוב והקידוד הרפואי, ולהלן היתרונות הבולטים ביותר:

שליטה בעלויות והוצאות

זיהוי הונאה

ניתוח חזוי לקיצוץ החזר

ניתוח מרשם לתיקון

שליטה בעלויות והוצאות

באמצעות ניתוח נתוני בריאות, בחינת תביעות היא דרך משמעותית לשלוט בעלויות ולהפחית הוצאות. כל הוצאות תביעות נוספות ניתן לתפוס בקלות באמצעות המודלים החכמים של ניתוח הנתונים.

יתר על כן, התהליך מועיל באופן יסודי לשימוש בזיהוי קשרים בין אבחון וטיפולים ולזיהוי חוסר יעילות במערכת הנוכחית כפי שהיא נראית באמצעות הנתונים בקצב אוטומטי, עם הדרישה המופחתת להתערבות ידנית.

תעשיית החיוב והקידוד הרפואיים היא כזו שמתמודדת עם נתחים אדירים של נתונים ואיזו דרך טובה יותר לסיווג מידע זה בצורה חכמה, אלא באמצעות כריית נתונים בתחום הבריאות.

ניתוח נתונים מתקדם עבור אונקולוגיה פארמה

איך עזרנו לחברת פארמה אונקולוגית עם מערכת Data Analytics התומכת ב-Big Data

קרא תיאור מקרה

התהליך

עלויות והוצאות מופחתות באמצעות השיטות המעשיות הבאות לשימוש בנתונים:

חקירת נתונים

הכנת ניתוח משמעותי

מודלים של נתונים

הערכה באמצעות מערכות אוטומטיות

הגדרת אזורים בעייתיים

ניתוח תוצאות עתידיות

פריסת נתונים מופרדים

כריית נתונים פועלת לקראת סוף סוף להמציא מחדש את שירותי הבריאות באמצעות תוכניות תשלום שעברו שינוי המונעות מקרים קריטיים של אשפוזים חוזרים. עם היכולת של כריית נתונים לחזות את הסבירות לאשיפות חוזרות במידת דיוק נכונה, מערכת הבריאות יכולה לקצץ בעלויות ולשמור על הבריאות על ידי הרמת הרדאר על אנשים שצפויים להתקבל מחדש.

זיהוי הונאה

עם עלייה מתמדת של המקרים המתמשכים של הונאה בחיוב רפואי ובקידוד, כעת נבדקת כריית נתונים כדי לטפל ולזהות הונאות ובכך לחסל פגמי אבטחה יקרים.

בין אם מדובר בתביעות מזויפות או לא מדויקות, הונאות עלו לתעשיית הבריאות ביוקר לאורך השנים. עם יכולת הלכידה החכמה של כריית נתונים, לא רק ניתן לזהות הונאה, אלא ישנן דרכים זמניות למגר את האפשרות שהן יתבצעו לחלוטין.

באמצעות ניתוח חזוי מסוים, ניתן לצבור נתונים כדי למנוע מהרמאים להשיג את מטרתם. בתוך מערכת הניתוח, טכנולוגיית כריית נתונים משמשת לאיסוף הנתונים באמצעות טכניקות מומחים. נתונים אלה מומרים לאחר מכן לאנלוגיות משמעותיות ולמדידות סטנדרטיות, שבסופו של דבר מגיעות לשיאן למחסן נתונים ארגוני (EDW). לאחר מכן, EDW משמש כבסיס שדרכו מתרחשות חקירות נתונים נוספות שיכולות לזהות הונאה.

באמצעות EDW זה, כריית נתונים מזהה ספקי שירותי בריאות שלהם:

אסטרטגיות ופעולות קידוד וחיוב משתנות מהשיטות הרגילות שלהן

מערכות קידוד וחיוב השונות באופן משמעותי מהמתחרים שלהן

התהליך

זה נעשה באמצעות ניתוח של ספקי שירותי הבריאות:

תחום עיסוק

מקום

סוג שירותי הבריאות המוצעים

תדירות החיוב

גודל הפעולות

באמצעות ניתוח נתוני הבריאות הנ"ל, מזוהים רמאים, ומתחילים לפעול בהתאם, ובכך חוסכים הוצאות לשיעור חשוב.

"בשנת 2007, החטיבה הפלילית של משרד המשפטים מיקדה מחדש את הגישה שלנו לחקירה ולתביעה של מקרי הונאה בשירותי בריאות. הגישה החקירה שלנו היא כעת מונעת נתונים: במילים פשוטות, האנליסטים והסוכנים שלנו בודקים את נתוני החיוב של Medicare מכל רחבי הארץ; מזהים דפוסים של התנהלות חיוב חריגה; ולאחר מכן לפרוס את צוותי "כוח המחץ" שלנו של חוקרים ותובעים לאותם נקודות חמות כדי לחקור, לבצע מעצרים ולהעמיד לדין. וככל שהפושעים הופכים יצירתיים ומתוחכמים יותר, אנו מתכוונים להשתמש בטכניקות החקירה האגרסיביות ביותר שלנו כדי להיות צודקים על עקביהם".

-דווח על ידי רוברט וו. לילס, בתור לאני א. ברויאר, עוזר התובע הכללי של המחלקה הפלילית של משרד המשפטים (DOJ's).

ניתוח חזוי לקיצוץ החזר

כלי ניתוח חזוי יכולים לעשות דרך ארוכה כדי לנהל קיצוצים בהחזרים ולבקר תביעות מטופלים ביעילות. כלים אנליטיים אלו יסייעו בניבוי התנהגות המטופל ולכן יגדילו את הסבירות לתפקוד יעיל תוך הימנעות עלויות כספיות מיותרות. כלים אלה מסייעים גם בזיהוי אזורים של שגיאות חיוב ומפחיתים באופן משמעותי את הסיכון לחוסר יעילות לאחר מכן.

יש עליית ערך ניכרת שחברות החיוב והקידוד הרפואי יבחינו בכריית הנתונים שלהן. התחזיות העתידיות יכולות לתת לחברות קידוד לאמץ אסטרטגיות שיפחיתו את הסבירות להפחתת הפרודוקטיביות ויגדילו את הביצועים הכוללים באמצעות הערכות חכמות. הראיות שהושגו מניתוח חזוי מאפשרות למקודדים ולמפרסמים רפואיים לשלב קטגוריות חזקות ויעילות בפועל בשלב מוקדם.

ניתוח נתונים חזוי משתמש במידע הבא כדי לבצע תחזיות חכמות:

רישום מקיף של חשבונות שהוגשו על ידי ספקי שירותי בריאות

כמות נתונים הקשורה לחיוב ולקידוד של כל תרגול

מסמכים תומכים הקשורים לתביעות או לקבוצת תביעות

ניתוח תביעות שהוגשו

אמנם כמעט בלתי אפשרי לזהות מעשי שגויה לפני שהן מתרחשות באופן סופי, השימוש בניתוח נתונים חזוי מכוון ביעילות את תעשיית החיובים והקידוד הרפואיים בכיוון הנכון, שבו חקירה איכותית יכולה לקרות כדי למזער את הרגישות שלה לעוולות.

העלייה הדרסטית בקודי האבחון מ-13,000 לפי ICD-9 ל-68,000 לפי ICD-10 הפכה כל סוג של תוצאות ניתוח ודיווח להרבה יותר מפורטות ממה שהיה פעם. חברות חיוב וקידוד שאימצו כלי ניתוח חזוי קיבלו החזר ערך גבוה בהרבה מכריית הנתונים שלהן.

ניתוח מרשם לתיקון

לאחר ביצוע ניתוח חזוי באמצעות כריית נתונים, סדר העסקים הבא הוא ניתוח מרשם של הנתונים. במונחים של הדיוטות, זה אומר, פשוטו כמשמעו, ניתוח של מה שצריך לעשות לגבי התחזיות שנעשו. זהו תחום שימושי ומרכיב משמעותי במידע המשמעותי שניתן לחלץ באמצעות כריית נתונים. בהתחשב בכך שזהו תחום חדש יותר של כריית נתונים, הניתוח הפרסקריפטיבי מציע הצעות ניתנות לפעולה הפועלות כפתרונות לקראת התחזיות שנעשו על ידי תכונת הניתוח החזוי של כריית נתונים.

ניתוח מרשם מתבצע באמצעות הכלים הבאים:

כללי עסקים

אלגוריתמים

למידת מכונה

מודלים חישוביים

ניתוח נתונים

פלטפורמת ניתוח חזוי שנפרסה ביעילות יכולה לעקוב אחר המגמות הנוכחיות והבאות, לאמוד את השפעתה על תזרים המזומנים ולהציע פתרונות לתיקון. לדוגמה, אם חברה מחזירה תביעות ברמה גבוהה או נמוכה מהנדרש, ניתוח חזוי תופס את הפוגה, ואז מציג את חוסר היעילות ומציע פעולות מתקנות באמצעות אלגוריתמים מורכבים.

התגובה של תעשיית החיוב והקידוד הרפואי לכריית נתונים

מספר טכניקות כריית נתונים מצוידות ביכולת לאסוף כמויות של נתונים כדי ליצור ניתוח משמעותי ולהציע תוצאות חזויות שיכולות לסייע בהגברת היעילות בתעשיית החיוב והקידוד הרפואי בצעדי ענק. אמנם אין ספק לגבי היתרונות של תהליכים אלה, אך עדיין יש מספר רב של אנשי מקצוע בתעשייה שעדיין לאמץ את טכניקות ניתוח הנתונים הללו. זה יכול להיות מיוחס לכמות מסוימת של בלבול בקרב אנשי מקצוע בתעשייה באשר ליכולות המפורטות של כריית נתונים ויתרונותיה הבאים. ההיסוס נובע גם מההיצמדות לשיטות קונבנציונליות לביקורת ולציות שמתבצעות בעיקר באמצעות איסוף סטטיסטי ידני.

הנתונים הסטטיסטיים הבאים מצביעים על הדחיפות של אימוץ כריית נתונים:

"כלכלות מפותחות ומתפתחות צפויות לראות עלייה של הוצאות שירותי בריאות בטווח שבין 2.4% ל-7.5% בין השנים 2015 ל-2020", לפי הדו"ח של דלויט.

על פי medicalbillersandcoders.com, "מערכת הקידוד ראתה שדרוג באוקטובר 2015 באמצעות מעבר לסיווג בינלאומי של מחלות (ICD-10). ל-ICD-10 החדש הזה יש כ-69,823 קודים ו-71,924 קודי פרוצדורה. בנוסף, 140,000 קודים חדשים הועברו נוסף לרשימה."

זו שאלה של זמן עד שכל תעשיית הבריאות תאמץ את היתרונות של כריית נתונים ולאט אבל בטוח, נראה שהמגמה מתחילה.

אתגרים לקראת אימוץ כריית נתונים

בעוד שהיתרונות הם אינספור, ישנם גם אתגרים מסוימים איתם מתמודדים מומחים בתעשייה בכל הנוגע לאימוץ של כריית נתונים. ההסתמכות על מערכות אוטומטיות עשויה להכפיף ספקים מסוימים לביקורות וחקירות אקראיות שאולי אינן נחוצות או מוצדקות. התלות הבלעדית בטכניקות ניתוח נתונים כדי לזהות ספקים שמבצעים פעולות שגויות, אך ורק על סמך נתונים בלעדיים, נראית לא הוגנת לאנשי מקצוע רבים.

בקצרה, האתגרים לקראת יישום כריית נתונים כוללים:

אי ודאות של תוצאות כריית נתונים עקב אופי החזוי שלהן

הסתמכות על סטטיסטיקה טכנולוגית בניגוד לפעולות ידניות

העלות הכרוכה בביקורות מיותרות שעלולות להתברר כבלתי נחוצות

הקיצוצים שמגיעים יחד עם הטכנולוגיה המחליפה את ההרכבה הסטטיסטית הידנית

חוסר מודעות בסיסית ליתרונות של כריית נתונים בקרב אנשי מקצוע

יישום כריית נתונים עבור חיוב רפואי וקידוד

תעשיית הבריאות חווה מהפכה, שכמותה לא נצפו בעבר. עיקרה של מהפכה זו כרוך באימוץ אסטרטגיות כריית נתונים כדי לסדר את תעשיית הקידוד והחיוב הרפואי בתוך פנורמה זו. אנשי מקצוע בתחום הבריאות אינם צריכים עוד להסתמך על ביקורות ידניות ועל נהלים מסובכים כדי לזהות פעולות שגויות ורשלנות בקרב ספקי שירותי הבריאות.

בגלל הטמעת כריית נתונים, חברות חיוב וקידוד רפואי ייהנו מהדרכים הבאות:

מערכות פעולה נקיות יותר עם הפרדה שיטתית של נתונים

שקיפות רבה יותר מספקי שירותי בריאות

עלויות מופחתות של ביקורת ידנית

הוצאות מופחתות הנובעות מחקירת עוולות

הפחתת סיכוני רשלנות

חיזוי של דפוסים ותוצאות שמגבירים את היעילות

מניעת בזבוז, הונאה והתעללות

בעוד שהיתרונות של אימוץ טכניקות כריית נתונים עולים על האתגרים לחלוטין ואין ספק שתעשיית הבריאות תהיה עדה להסתמכות גוברת על כריית נתונים למטרות החיוב והקידוד הרפואי שלה, חשוב לזכור שהטכניקות הללו ממשיכות להתפתח. לכן, מומחים רפואיים צריכים לעשות מאמץ נוסף כדי להתעדכן בטכנולוגיות המשתנות ללא הרף כדי להשיג מהן את הרווח המקסימלי.

מָקוֹר:- https://www.osplabs.com/insights/data-mining-in-medical-coding-and-billing/

כתיבת תגובה

האימייל לא יוצג באתר. שדות החובה מסומנים *