根据IBM的数据,全世界每天创造2.5亿兆字节的数据。这些数据中有很大一部分是医疗保健信息。从基因组检测和大型成像研究到数十亿的支付交易,医疗数据持续扩大。所有这些数据都与高级系统分析非常匹配。
比尔·盖茨曾说过:“机器学习的一次突破相当于10个微软。”成像工作流的前端和医疗保健收入周期管理(RCM)的后端都将获得大数据分析而且人工智能(AI).
成像工作流生态系统的挑战
影像学临床医生必须小心地平衡竞争的时间和资源需求。共同的挑战包括:
•增加每位阅读放射科医生的研究量
•减少误诊
•应对二次学习量的大幅增加
医疗保健收入周期的挑战
今天,卫生系统也在研究如何处理电子医疗记录和计费系统中所包含的越来越多的图像数据。与RCM相关的数据问题包括:
•费用缺失或不准确
•跨多个支付供应商的数据整合
•财务支持服务人员负担过重
•手动数据输入错误
•护理和信息的分离
•数据传输时序延迟
值得庆幸的是,机器学习提供了一种确定和分析数据模式的方法,这反过来可以增强成像工作流程和医疗保健收入周期。医院已经在使用人工智能应用和大数据分析保险pre-certifications拒绝预测和ICD-10账单码验证。
利用AI解决成像工作流程的挑战
在跨越连接性和各种互操作性障碍之后,实现成功的企业成像解决方案的最后一个挑战是添加智能和机器学习应用程序。
公司正在开发AI智能助手,使用机器视觉、深度学习、计算机辅助诊断(CAD)和其他先进的专有算法,面向临床医生的前端,并满足成像工作流程和存储需求。人工智能的应用跨越多种疾病状态,从心血管疾病监测到肺癌和前列腺癌检测。
例如,研究表明,假阴性诊断率为30%假阳性诊断为2%。人工智能可以帮助主动确定需要立即关注的研究的优先级,以及回溯并建议可能需要重新检查的先前研究。
SilverBack工作流引擎开发商dataffirst的首席运营官Beau Jones表示:“人工智能成像工具和驱动它们的工作流引擎的进步,使临床医生能够对各种疾病状态做出更好的诊断,并提供有效的治疗。”
大数据可以帮助解决医疗保健收入流失问题
诚然,卫生系统有查明收入流失的程序,但许多系统的效率并不高。例如,由于数据竖井的存在,手工审计审查既麻烦又耗时,甚至可能不一致。而且,基于规则的系统,如账单洗涤器,通常只能发现预先识别的错误。
医疗系统和成像中心通常会因泄漏损失1%到5%的净收入,而随着ICD-10、责任医疗法案(ACA)和更多的自付支付,这一损失可能会增加。为了防止收入流失,必须仔细研究使用大数据和机器学习的基于分析的系统。
计费数据(如诊断属性、流程属性、计费码属性、收费码属性、医院历史等)可以综合构建数据库。当前的案例可以与过去的案例进行比对,因此可以检查任何差异。
解决供应商管理
在考虑使用大数据时,不能忽视后端流程,如计费。大多数医疗保健组织都要处理涉及多个供应商的复杂应收账款流程。这些供应商与医疗保健组织合作,处理从付款人拒绝付款到患者收款的各种精品流程。
大数据可以帮助激励员工,增强患者的财务体验,丰富医院的财务健康。数据驱动的决策模型可以简化收入周期流程和财务操作,以改善患者沟通和利润。
对各种提供者的供应商管理是一个挑战,因为每个提供者都有自己的方法、接口和数据类型。医疗保健组织如何确保其供应商识别不正确的报表并收取正确的费用?答案还是大数据。
从每个供应商提取数据(而不是使用供应商电子表格和报告)提供了巨大的好处,允许医院梳理关于供应商的信息并了解趋势。这包括供应商性能数据,例如筛选率、周期时间、拒绝原因摘要和内部应用程序摘要。
这为卫生系统提供了一个机会,向供应商提供有价值的反馈,从而可以采取纠正措施,提高患者满意度评级。数据科学和机器学习与一线专业知识相结合,有助于应收账款业务更顺利地运行,甚至更有利可图。
转向基于价值的成像
前端成像工作流、企业成像引擎和后端收入循环流程的最新进展都支持美国放射学会(ACR)成像3.0计划,通过交付系统使AI应用程序能够跨模式工作,优化实践管理和患者护理。
编者按:作者April Wilson是市场营销和分析的副总裁RevSpring.该公司预测支付结果,从而改善支付结果,将复杂的财务工作流转化为直观的财务路径。