10 สุดยอดตัวแทน AI สำหรับการลงรหัสทางการแพทย์และการบันทึกข้อมูลทางคลินิก

บทนำ

ผู้ให้บริการด้านการดูแลสุขภาพต้องเผชิญกับ ภาระงานด้านการลงรหัสและการบันทึกข้อมูลที่ซับซ้อน การพบผู้ป่วยทุกครั้งจะต้องถูกแปลงเป็นรหัสการวินิจฉัยและขั้นตอนที่แม่นยำ (ICD และ CPT) เพื่อสนับสนุนการดูแล การเรียกเก็บเงิน และการรายงาน ในทางปฏิบัติ สิ่งนี้มีโอกาสเกิดข้อผิดพลาดและใช้เวลานาน: การศึกษาชี้ให้เห็นว่า “การลงรหัส ICD-10-CM ยังคงเป็นภาระการดำเนินงานที่สำคัญในโรงพยาบาล” (www.nature.com) และข้อผิดพลาดในการบันทึกข้อมูลถูกอ้างถึงว่าเป็นสาเหตุหลักของการถูกปฏิเสธการเคลม (www.beckersasc.com) โปรแกรมการปรับปรุงเอกสารทางคลินิก (CDI) มีเป้าหมายเพื่อปรับปรุงบันทึกและรหัสให้กระชับขึ้น แต่ขั้นตอนการทำงานแบบแมนนวลอาจทำให้แพทย์และผู้ลงรหัสทำงานช้าลง ล่าสุด ตัวแทน AI สำหรับการลงรหัสและ CDI ได้ถือกำเนิดขึ้นเพื่อช่วยในการแนะนำรหัส ตรวจสอบข้อผิดพลาด และป้องกันการปฏิเสธการเคลมล่วงหน้า ด้วยการผสานรวมกับบันทึกสุขภาพอิเล็กทรอนิกส์ (EHRs) และครอบคลุมคลังความรู้ทางการแพทย์ที่หลากหลาย เครื่องมือเหล่านี้สัญญาว่าจะ เพิ่มความแม่นยำในการลงรหัส ลดการถูกปฏิเสธการเคลม และ ประหยัดเวลาของแพทย์ ในขณะที่ยังคงรักษาการปฏิบัติตามกฎหมายความเป็นส่วนตัว (HIPAA) และมาตรฐานความปลอดภัย บทความนี้จะทบทวน สิบตัวแทน AI ชั้นนำด้านการลงรหัส/CDI โดยเปรียบเทียบการผสานรวม เมตริกประสิทธิภาพ และมาตรการป้องกัน จากนั้นจะชี้ให้เห็นช่องว่างและแนวทางสำหรับผู้ประกอบการในอนาคต

เกณฑ์การประเมินสำหรับตัวแทน AI ด้านการลงรหัสและการบันทึกข้อมูล

ในการเปรียบเทียบโซลูชัน เราพิจารณาถึง:

• ข้อเสนอแนะและคำแนะนำ CDI: ตัวแทน AI มีการแจ้งเตือนแพทย์หรือผู้ลงรหัสด้วยคำถามเพื่อปรับปรุงเอกสารหรือไม่ (เช่น รายละเอียดที่ขาดหายไปเพื่อความจำเพาะ)? ข้อเสนอแนะถูกฝังอยู่ในขั้นตอนการทำงานทางคลินิกหรือไม่ (เช่น ระหว่างการบันทึก)?
• การลงรหัสอัตโนมัติ (ICD, CPT, HCC, ฯลฯ): ตัวแทน AI ดึงข้อมูลและกำหนดรหัสอย่างไร? รองรับชุดรหัสการวินิจฉัย (ICD-10), ขั้นตอน (CPT/HCPCS), การปรับความเสี่ยง (HCC), ตัวปรับแก้ (modifier) และการปฏิบัติตามข้อกำหนดหรือไม่? มีระดับ การครอบคลุมคลังความรู้ทางการแพทย์ เท่าใด (SNOMED-CT, RxNorm, LOINC, ฯลฯ) และคลังรหัสมีการอัปเดตเป็นปัจจุบันแค่ไหน?
• การป้องกันการปฏิเสธการเคลม: คุณสมบัติเช่น การตรวจสอบกฎของผู้ชำระเงิน, การแก้ไขก่อนการเรียกเก็บเงิน และการวิเคราะห์เชิงพยากรณ์เพื่อตรวจจับสาเหตุการปฏิเสธทั่วไป (ตัวปรับแก้ขาดหาย, ขาดความจำเป็นทางการแพทย์ ฯลฯ) ก่อนส่งการเคลม ตัวแทนที่มีประสิทธิภาพควรรวม การตรวจสอบการสิ้นสุด สำหรับกฎและการแก้ไขตามข้อกำหนด (เช่น เกณฑ์ NCD/LCD)
• การผสานรวมกับ EHR และขั้นตอนการทำงาน: ความเข้ากันได้กับระบบ EHR หลัก (Epic, Cerner/Oracle, Allscripts, Athenahealth, ฯลฯ) ผ่าน HL7/FHIR หรือการผสานรวม API ตัวแทน AI มีประโยชน์มากที่สุดเมื่อทำงาน “ในบันทึกผู้ป่วย” หรือเป็นปุ่มด้านข้าง: ตัวอย่างเช่น กลไกการลงรหัส AI ของ IKS Health มีให้บริการแล้วผ่าน Connection Hub ของ Epic (www.businesswire.com) เราจะเปรียบเทียบว่าโซลูชันแต่ละรายการมีการเชื่อมต่อที่ได้รับการรับรองหรือโมดูลที่ใช้ FHIR หรือไม่
• การตรวจสอบโดยมนุษย์ร่วมกับระบบ (Human-in-the-Loop - HITL): ความสมดุลระหว่างระบบอัตโนมัติและการกำกับดูแล โซลูชันชั้นนำมักจะลงรหัสองค์ประกอบที่มีความเชื่อมั่นสูงโดยอัตโนมัติ แต่ส่งต่อกรณีที่คลุมเครือไปยังผู้ลงรหัสที่เป็นมนุษย์หรือผู้เชี่ยวชาญ CDI ตัวอย่างเช่น กลไกของ IKS Health ให้คะแนนรหัสแต่ละรายการและส่งต่อรายการที่มีความเชื่อมั่นต่ำให้ผู้เชี่ยวชาญ (www.businesswire.com) เราจะสังเกตว่าระบบมีบันทึกการตรวจสอบ (audit trails), การแก้ไขโดยผู้ลงรหัส และการเรียนรู้ต่อเนื่องจากความคิดเห็นของผู้ใช้หรือไม่
• ตัวชี้วัดประสิทธิภาพ: ตัวแทน AI เหล่านี้ทำงานได้ดีเพียงใดในการปฏิบัติงานจริง? ตัวชี้วัดสำคัญ ได้แก่ ความแม่นยำในการลงรหัส (เปอร์เซ็นต์ของรหัสที่ถูกต้อง), อัตราการอนุมัติการเคลมครั้งแรก หรืออัตราการถูกปฏิเสธการเคลม และ เวลาที่ประหยัดได้ ตัวอย่างเช่น ในการศึกษาจริงในสองสถาบัน ผู้ลงรหัสที่ใช้ LLM “ลดเวลาในการลงรหัสได้อย่างมากในขณะที่ยังคงรักษาความแม่นยำ” (www.nature.com) การทดลองอื่นพบว่า LLMs ที่เสริมด้วยการดึงข้อมูล มีประสิทธิภาพเหนือกว่าผู้ลงรหัสที่เป็นมนุษย์ ในความแม่นยำของการลงรหัส ICD-10-CM ในแผนกฉุกเฉิน (www.medrxiv.org) เราจะเปรียบเทียบคำกล่าวอ้างของผู้ขาย (เช่น ความแม่นยำ 90–98%, อัตราการปฏิเสธการเคลมน้อยลง X%) กับข้อมูลที่เผยแพร่
• การประหยัดเวลาของแพทย์: เครื่องมือบางอย่างทำหน้าที่เป็น AI สกริปต์แบบแวดล้อม หรือผู้ช่วยในการบันทึก ซึ่งสามารถลดเวลาในการบันทึกข้อมูลได้ การศึกษาของ JAMA ในหลายสถานที่พบว่าการใช้ AI สกริปต์ช่วยให้แพทย์ประหยัดเวลาในการบันทึกข้อมูลได้ประมาณ 13–16 นาทีต่อวันทำงาน 8 ชั่วโมง (ลดลงประมาณ 3–10%) (pmc.ncbi.nlm.nih.gov) เราจะสังเกตว่าตัวแทน AI ใดให้ความช่วยเหลือในการสร้างบันทึกเทียบกับการลงรหัสหลังเหตุการณ์
• การปฏิบัติตามข้อกำหนดและความปลอดภัย: ตัวแทน AI ทุกรายการต้อง เป็นไปตามข้อกำหนด HIPAA และจัดการข้อมูลสุขภาพที่ได้รับการคุ้มครอง (PHI) อย่างปลอดภัย (การเข้ารหัสระหว่างการส่ง/จัดเก็บ, การควบคุมการเข้าถึง, บันทึกการตรวจสอบ, ข้อตกลงทางธุรกิจกับผู้ร่วมงาน ฯลฯ) ตัวอย่างเช่น โซลูชัน QuickCode ของ QuickIntell โฆษณาการปฏิบัติตาม HIPAA และ SOC2 ด้วยการเข้ารหัสเต็มรูปแบบและบันทึกการตรวจสอบ (quickintell.com) เราจะสังเกตว่าโซลูชันใช้การติดตั้งแบบภายในองค์กรหรือคลาวด์ส่วนตัว, ตัวเลือกการจัดเก็บข้อมูล และวิธีการที่พวกเขากรองหรือปฏิเสธที่จะให้คำแนะนำทางการแพทย์อย่างชัดเจน (หลีกเลี่ยง “การหลงผิด” ของ AI) ตัวแทน AI ในอุดมคติจะจำกัดบทบาทของตนเองในการแนะนำรหัสและคำถามเกี่ยวกับการบันทึกข้อมูล และให้ลิงก์หลักฐาน (ข้อความในบันทึก) เพื่อยืนยันรหัสแต่ละรายการ

ตัวแทน AI ชั้นนำด้านการลงรหัสและการปรับปรุงเอกสารทางคลินิก (CDI)

ด้านล่างนี้คือสิบโซลูชันที่น่าสนใจ (ไม่ได้เรียงตามลำดับใดๆ) แต่ละรายการจะสรุปคุณสมบัติหลัก ข้อสังเกตเกี่ยวกับการผสานรวม และคำกล่าวอ้างด้านประสิทธิภาพที่เผยแพร่

1. กลไกการลงรหัสอัตโนมัติ IKS Health (ICAP) (www.businesswire.com)

IKS Health (ผู้ให้บริการเอาต์ซอร์ส/RCA) นำเสนอ กลไกการลงรหัสที่ขับเคลื่อนด้วย AI ซึ่งปัจจุบันได้ผสานรวมกับ Epic แถลงข่าวทางธุรกิจอ้างว่ามีความแม่นยำในการลงรหัส สูงสุด 95% และลดการถูกปฏิเสธการเคลม (www.businesswire.com) ระบบยอมรับเอกสารบันทึกจากทุกแหล่ง ใช้ NLP และตรรกะแบบกฎเกณฑ์เพื่อแนะนำรหัส ICD-10, CPT และ E/M พร้อมคะแนนความเชื่อมั่น (www.businesswire.com) และ “ผู้ลงรหัสที่เป็นมนุษย์จะตรวจสอบรหัสที่มีความเชื่อมั่นต่ำ” (www.businesswire.com) จากนั้นกลไกจะใช้กฎเฉพาะของผู้ชำระเงินและ “ชั้นการตรวจสอบก่อนการเรียกเก็บเงิน” เพื่อตรวจสอบการปฏิบัติตามข้อกำหนด IKS รายงานว่าอัตราการปฏิเสธการเคลมโดยเฉลี่ยในสหรัฐอเมริกาอยู่ที่ประมาณ 12%; ขั้นตอนการทำงาน AI (พร้อมการตรวจสอบโดยมนุษย์) มีเป้าหมายที่จะเอาชนะเกณฑ์มาตรฐานนั้น (www.businesswire.com) เนื่องจากได้รับการรับรองจาก Epic ทีมคลินิกจึงสามารถเข้าถึงข้อเสนอแนะการลงรหัสได้โดยตรงในบันทึก Epic โดยเชื่อมโยงตรรกะรหัสกลับไปยังหลักฐานในบันทึก (ไม่มีข้อมูลการทดลองอิสระเผยแพร่ต่อสาธารณะ แต่บริษัทวางตำแหน่งสิ่งนี้ว่าเป็นโซลูชัน “พร้อมสำหรับการตรวจสอบ” ที่รวมการลงรหัส AI เข้ากับการตรวจสอบแบบดั้งเดิม)

2. MediCodio (CODIO AI) (medicodio.ai)

MediCodio นำเสนอแพลตฟอร์มลูกผสมระหว่างมนุษย์กับ AI กลไก CODIO AI อ้างว่า “มีความแม่นยำในการลงรหัส 98% ในกว่า 50 สาขาวิชาเฉพาะทาง” และที่สำคัญคือ ลดการปฏิเสธการเคลมได้ 83% เมื่อเทียบกับค่าเฉลี่ยของอุตสาหกรรม (medicodio.ai) โดยประมวลผลบันทึก เร็วขึ้น 81% เมื่อเทียบกับการลงรหัสด้วยมือ (ค่ามัธยฐานประมาณ 1.5 นาทีต่อบันทึก เทียบกับประมาณ 8 นาที) (medicodio.ai) ทำได้อย่างไร? MediCodio รองรับสองโหมด: โหมด CoPilot ซึ่งผู้ลงรหัสที่ได้รับการรับรองจะตรวจสอบข้อเสนอแนะของ AI และ โหมด AutoPilot สำหรับการลงรหัสอัตโนมัติเต็มรูปแบบ (ตรวจสอบภายหลัง) (medicodio.ai) ระบบได้รับการรับรอง ISO 27001, เป็นไปตามข้อกำหนด HIPAA และผสานรวมกับ EHRs หลักๆ ผ่าน Veradigm และอื่นๆ (medicodio.ai) โดดเด่นด้วยการรองรับรหัสเต็มรูปแบบ (ICD-9/10, CPT, HCPCS, DRG, ฯลฯ) และอ้างว่าลดการปฏิเสธการเคลมโดยการตรวจจับตัวปรับแก้ที่ขาดหายไปหรือเอกสารที่ไม่เพียงพอ แพลตฟอร์มนี้ยังจัดทำดัชนีการยืนยันรหัสเพื่อช่วยในการตรวจสอบอย่างรวดเร็ว

3. Cavo Health CDI & Coding Assistant (cavohealth.com)

Cavo Health ทำการตลาดแพลตฟอร์ม AI ที่สร้างขึ้นบน “การจับคู่คำที่แม่นยำ” แทนที่จะเป็นการเรียนรู้ของเครื่องล้วนๆ โดยมีเป้าหมายทั้ง CDI และการลงรหัส: การแนะนำเอกสารที่ปรับปรุงแล้วสำหรับการจับ HCC risk และการสร้างรหัส ICD-10 ที่แม่นยำได้ทันที (cavohealth.com) Cavo อ้างว่ามีความแม่นยำในการลงรหัส นอกกรอบ “เกินกว่า 70–80%” ที่เป็นปกติของระบบ ML-only (cavohealth.com) โดยเฉพาะอย่างยิ่งสำหรับการวินิจฉัยที่ซับซ้อนและการลงรหัส HCC ของโรงพยาบาล เครื่องมือนี้ออกแบบมาสำหรับการใช้งาน ณ จุดดูแล (ข้อเสนอแนะปรากฏขึ้นระหว่างการบันทึก) เพื่อปรับปรุงการมีส่วนร่วมของแพทย์ โดยเน้นรหัสที่หายากหรือรหัสผสมที่วิธีการแบบ LM ล้วนๆ มักจะพลาดไป (ไม่มีการตรวจสอบอิสระเผยแพร่ แต่มีการอ้างถึงผู้ใช้เริ่มต้นในคลินิกเฉพาะทาง) อินเทอร์เฟซของ Cavo เน้นการคลิกน้อยที่สุด: ทำงานภายใน EHR, เสนอคำศัพท์ที่สามารถลงรหัสได้เฉพาะเจาะจงขณะที่บันทึกถูกบันทึก และถามคำถามเพื่อความชัดเจนหากจำเป็น ระบบเป็นไปตามข้อกำหนด HIPAA โดยการออกแบบ เข้ารหัสข้อมูล และอนุญาตให้ติดตั้งในองค์กร (on-premises) เพื่อรักษา PHI ภายใต้การควบคุมของสถาบัน

4. RevCodeMD (RevStream) (revstream.io)

RevCodeMD ของ RevStream เป็นโซลูชันการลงรหัสอัตโนมัติด้วย AI บนคลาวด์ที่มุ่งเป้าไปที่คลินิกแพทย์และโรงพยาบาล เว็บไซต์เน้นย้ำถึง “การลงรหัสอัตโนมัติที่ขับเคลื่อนด้วย AI — ความแม่นยำ 98% พร้อมสำหรับการตรวจสอบ” (revstream.io) โดยนำเข้าบันทึกข้อความอิสระ (การพบปะผู้ป่วย, ประวัติ, รายงานขั้นตอน) และส่งออกรหัส CPT และ ICD ได้ในไม่กี่วินาที (revstream.io) RevCodeMD เน้นย้ำว่าระบบของตน “เข้าใจกฎของผู้ชำระเงิน” – โดยใช้การขัดเกลาการเคลมและแก้ไขเพื่อตรวจจับข้อมูลที่ขาดหายไป (ป้องกันการปฏิเสธการเคลมบางประเภท) รวมถึงการควบคุมการเข้าถึงตามบทบาทและบันทึกการตรวจสอบเพื่อให้เป็นไปตามข้อกำหนด HIPAA RevStream ระบุการผสานรวมผ่านอินเทอร์เฟซมาตรฐาน แม้ว่าจะไม่มีรายละเอียดตัวเชื่อมต่อ EHR เฉพาะบนเว็บไซต์ (แหล่งข่าวหนึ่งระบุการรองรับ Veradigm/FHIR คล้ายกับเครื่องมือ RCM อื่นๆ) ในทางปฏิบัติ RevCodeMD วางตำแหน่งตัวเองเป็น “ผู้ลงรหัสอัตโนมัติ” แบบ drop-in สำหรับแพทย์ โดยมีแดชบอร์ดสำหรับผู้ลงรหัสเพื่อตรวจสอบข้อผิดพลาดใดๆ เช่นเดียวกับผลิตภัณฑ์ที่คล้ายกัน ผู้ลงรหัสที่เป็นมนุษย์จะรับรองรหัสสุดท้าย ไม่มีข้อมูลการทดลองความแม่นยำที่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิที่อ้างอิง แต่ตัวเลข 98% สอดคล้องกับเกณฑ์มาตรฐานที่ผู้ขายรายงาน

5. แพลตฟอร์มการลงรหัสอัตโนมัติ Arintra (www.arintra.com) (www.arintra.com)

Arintra ให้บริการ แพลตฟอร์มการลงรหัส AI ที่ใช้โดยระบบสุขภาพและผู้ขาย ตามเอกสารของพวกเขา “Arintra ประมวลผลบันทึกผู้ป่วยทุกรายการโดยอัตโนมัติ” โดยการดึงค่าบริการและรหัสที่แม่นยำ (E/M, ICD-10, HCC, HCPCS, ตัวปรับแก้) (www.arintra.com) คุณสมบัติหลักคือความเชี่ยวชาญตามแผนก: Arintra สามารถรวมชุดกฎเฉพาะของผู้ชำระเงิน/เฉพาะทางเพื่อตรวจสอบการรวมรหัส บริษัทอ้างว่า Arintra สามารถจัดการ บันทึกได้ถึง 80–90% โดยอัตโนมัติ ซึ่งช่วยลดเวลาดำเนินการได้อย่างมาก (www.arintra.com) ด้วยการประมวลผลกรณีประจำที่มีปริมาณมาก ทำให้ผู้ลงรหัสสามารถมุ่งเน้นไปที่การพบปะผู้ป่วยที่ซับซ้อนได้ ในเอกสารของพวกเขา Arintra อ้างถึงการปฏิเสธการเคลมปลายทางที่น้อยลงและการเคลมที่รวดเร็วขึ้นเนื่องจากการตรวจสอบก่อนการเรียกเก็บเงิน การผสานรวมทำได้ผ่าน HL7/FHIR เพื่อดึงข้อมูลการพบปะผู้ป่วยและส่งคืนค่าบริการที่ลงรหัสแล้วไปยังระบบการเรียกเก็บเงิน แพลตฟอร์มมีแดชบอร์ดเกี่ยวกับความแม่นยำในการลงรหัสและแนวโน้มการปฏิเสธการเคลม (ช่วยให้ผู้ดูแลระบบติดตามประสิทธิภาพ) Arintra โฆษณาการปฏิบัติตาม SOC 2 และ HIPAA (ด้วยการเข้ารหัสข้อมูลและบันทึกการตรวจสอบ) บนพอร์ทัลสำหรับนักพัฒนา

6. Solventum 360 Encompass (เดิมคือ 3M 360 CAC/CDI) (www.solventum.com)

360 Encompass ของ Solventum เป็นชุด CAC/CDI ที่ครอบคลุมซึ่งรวม NLP และ AI เข้าด้วยกัน โดยผสานการลงรหัสเข้ากับกระบวนการ CDI: เมื่อเอกสารเสร็จสมบูรณ์ ระบบจะให้ “การลงรหัสที่เป็นเลิศและคำแนะนำอัตโนมัติที่ดีที่สุด” และระบุช่องว่างในเอกสาร (www.solventum.com) ในทางปฏิบัติ 360 Encompass จะอ่านบันทึกและ กรอกชุดรหัสประจำโดยอัตโนมัติ: ระดับ E/M, ICD, CPT, รหัสรายได้ ฯลฯ จากนั้นให้ผู้ลงรหัสตรวจสอบบันทึกที่ถูกตั้งค่าสถานะ ระบบแยกแยะกรณีประจำกับกรณีที่ซับซ้อน; โดยจะส่งการเคลม “ประจำ” ไปยังการเรียกเก็บเงินโดยอัตโนมัติ ขณะที่ส่งกรณีที่ซับซ้อนไปยังผู้ลงรหัสพร้อมบริบท (www.solventum.com) แพลตฟอร์มรองรับการแก้ไขและตรวจสอบที่กำหนดเองเพื่อรักษาการปฏิบัติตามข้อกำหนด เนื่องจาก 360 Encompass พัฒนามาจาก CAC ของ 3M จึงใช้ประโยชน์จากตรรกะการลงรหัสและการแก้ไขการปฏิบัติตามข้อกำหนดของ CMS ที่มีมานานหลายทศวรรษ โซลูชันที่ลงทะเบียนกับ Epic (Epic Connection Hub) มีให้บริการสำหรับระบบสุขภาพที่ใช้ Epic EHR ไม่มีการเผยแพร่สถิติความแม่นยำแบบตัวต่อตัว แต่ Solventum เน้นย้ำว่าการลงรหัสประจำแบบอัตโนมัติช่วยลดภาระงานของมนุษย์ และการตรวจสอบ CDI แบบผสมผสานช่วยปรับปรุงการเคลมครั้งแรก เป็นไปตามข้อกำหนด HIPAA และรวมถึงการเข้าถึงตามบทบาท (ผู้ลงรหัส vs. ผู้เชี่ยวชาญ CDI) และการบันทึกข้อเสนอแนะ AI ทั้งหมดสำหรับการตรวจสอบ

7. QuickIntell QuickCode (ตัวลงรหัส AI ที่ผสานรวมกับ EHR) (quickintell.com)

QuickCode ของ QuickIntell เป็นกลไกการลงรหัส AI บนคลาวด์ที่เน้นการปฏิบัติงานของผู้ป่วยนอก ผู้ขายระบุว่ามีความแม่นยำและระลึกได้ “>90%” ในการดึง ICD-10 และ CPT จากรายงาน (quickintell.com) อ้างว่าปฏิบัติตาม HIPAA & SOC2 อย่างเต็มรูปแบบ โดยเข้ารหัส PHI ทั้งระหว่างการส่งและจัดเก็บ พร้อมบันทึกการตรวจสอบ (quickintell.com) QuickCode เชื่อมต่อกับ EHRs (รวมถึง Cerner, Athenahealth และอื่นๆ ผ่าน FHIR/HL7 (quickintell.com)) เพื่อดึงบันทึกการพบปะผู้ป่วยและส่งคืนการเคลมที่ลงรหัสแล้วไปยังระบบการเรียกเก็บเงิน โดยดำเนินการตรวจสอบการเคลม 8 ขั้นตอน (ตรวจสอบกฎการลงรหัส) ก่อนส่งข้อมูลไปยังโมดูลการเรียกเก็บเงิน ซึ่งช่วยป้องกันข้อผิดพลาดทั่วไปจำนวนมาก QuickIntell โฆษณาว่าลูกค้าเห็นอัตราการอนุมัติการเคลมครั้งแรกมากกว่า 90% ในบันทึกที่ใช้ระบบอัตโนมัติ และประหยัดเวลาได้อย่างมากสำหรับผู้ลงรหัส (เอกสาร whitepaper อ้างว่าลูกค้าลดการปฏิเสธการเคลมได้ประมาณ 40% หลังจากการใช้งาน) ผู้ลงรหัสที่เป็นมนุษย์ยังคงตรวจสอบข้อเสนอแนะของ AI: UI จะแสดงคะแนนความเชื่อมั่น เพื่อให้รหัสที่มีความเชื่อมั่นต่ำถูกตั้งค่าสถานะ ไม่มีข้อมูลที่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิ แต่ QuickIntell เน้นย้ำการควบคุมความปลอดภัยที่แข็งแกร่งและการผสานรวมในขั้นตอนการทำงานที่ง่ายดาย

8. Clintegrity CDE One (Nuance/Microsoft)

เดิมเป็นชุด CDI ของ Nuance (ปัจจุบันเป็นส่วนหนึ่งของ Microsoft) CDE One มุ่งเน้นไปที่การปรับปรุงเอกสารที่แพทย์ใช้งานพร้อมการสนับสนุนการลงรหัส โดยจะวิเคราะห์ข้อความในบันทึกอย่างต่อเนื่อง (มักจะควบคู่ไปกับ Nuance Dragon ambient speech-to-text) เพื่อค้นหาการวินิจฉัยหรือเงื่อนไข HCC ที่พลาดไป นอกจากนี้ยังนำเสนอเครื่องมือสำหรับผู้ลงรหัสสำหรับการลงรหัสระดับ DNA (ผ่านประวัติ Clintegrity) แม้ว่าจะไม่มีการเผยแพร่เมตริกที่เฉพาะเจาะจง แต่ CDE One อ้างว่าช่วยปรับปรุงประสิทธิภาพการทำงานและการปฏิบัติตามข้อกำหนดของผู้ลงรหัส โดยผสานรวมกับ EHRs หลายรายการ (Epic, Cerner) ผ่าน HL7/SOAP APIs และ Microsoft เน้นย้ำการรับรองความปลอดภัยของคลาวด์ การศึกษาล่าสุดของ Nuance’s Dragon Ambient eXperience (DAX) พบว่า AI สกริปต์แบบแวดล้อมลดงานบันทึกนอกเวลางานของแพทย์ลง 22 นาทีต่อวัน (pmc.ncbi.nlm.nih.gov) ซึ่งแสดงให้เห็นถึงศักยภาพด้านประสิทธิภาพของระบบดังกล่าว (แม้ว่า DAX เองจะไม่ใช่ตัวลงรหัสหลัก) แนวทางของ Clintegrity มุ่งเน้นไปที่การกระตุ้นให้แพทย์ชี้แจงเอกสารแบบเรียลไทม์ ซึ่งจะช่วยป้องกันการอุทธรณ์ (เราสังเกตว่าโซลูชันอย่าง CDE มักจะขาดสถิติ “figure of merit” ที่ชัดเจนในวรรณกรรม แต่มีการนำไปใช้ในองค์กรอย่างแพร่หลาย)

9. Combine Health “Amy” AI Coder

แพลตฟอร์ม Amy ของ Combine Health ใช้โมเดล AI ที่เป็นกรรมสิทธิ์เพื่อลงรหัสโดยอัตโนมัติ ผู้ขายอธิบายว่า Amy เป็น “ตัวลงรหัสทางการแพทย์ AI ชั้นนำ” ที่ทำงานร่วมกับทีมลงรหัส โดยจัดการประเภทการพบปะผู้ป่วยทั้งหมด (ผู้ป่วยใน/ผู้ป่วยนอก) และอ้างว่าเรียนรู้จากรูปแบบการลงรหัสเฉพาะของแพทย์อย่างต่อเนื่อง Amy ผสานรวมผ่าน API เพื่อดึงบันทึก EMR และค่าบริการ EHR จากนั้นส่งรหัสที่ผ่านการตรวจสอบแล้ว เว็บไซต์เน้นการอธิบายการเลือกรหัสแต่ละรายการโดยอ้างอิงจากข้อความในบันทึก ลูกค้ารายงานการลดการปฏิเสธการเคลมเริ่มต้น เนื่องจาก Amy ใช้กฎของผู้ชำระเงินแบบไดนามิกและขัดเกลาข้อมูลที่ปรับให้เข้ากับแต่ละสถานพยาบาล (ไม่มีข้อมูลการทดลองสาธารณะที่อ้างอิง แต่ Combine Health มีบล็อกกรณีศึกษาที่ Amy มีความแม่นยำสูงมากในชุดข้อมูลทดสอบ) สิ่งสำคัญคือ ขั้นตอนการทำงานของ Amy ยังคงมีการกำกับดูแลทางคลินิก: ผู้ลงรหัสจะเห็นข้อเสนอแนะของ AI สามารถแก้ไขรหัสได้ และระบบจะบันทึกการแก้ไขเพื่อปรับปรุงข้อเสนอแนะในอนาคต Combine Health ระบุการปฏิบัติตาม HIPAA (ข้อตกลง BAA, การเข้ารหัส) แต่รายละเอียดด้านความปลอดภัยแบบเต็มยังไม่ได้เปิดเผยต่อสาธารณะ

10. Clinithink (CLiX Semantic Intelligence)

กลไก CLiX ของ Clinithink ใช้การประมวลผลภาษาเพื่อดึงข้อมูลที่ค้นพบและเสนอแนะรหัส โดยสามารถนำเข้าบันทึก รูปภาพ และข้อมูลที่มีโครงสร้าง จากนั้นจะจับคู่แนวคิดกับคลังความรู้ (SNOMED, RxNorm) และรหัส ICD/CPT แม้ว่าจะไม่ใช่ตัวแทน “สด” อย่างเคร่งครัด แต่ CLiX สามารถปรับแต่งเพื่อสร้างข้อเสนอแนะการลงรหัสสำหรับผู้ลงรหัสเมื่อปิดบันทึก ลูกค้าใช้ CLiX เพื่อลงรหัสบันทึกเป็นชุด หรือเป็นเครื่องมือสอบถาม CDI (เช่น การค้นหากรณีที่ตรงตามเกณฑ์การตรวจสอบ) แพลตฟอร์มสามารถกำหนดค่าได้สูง ทำให้สามารถกำหนดกฎท้องถิ่นได้ ตัวอย่างเช่น ระบบสุขภาพแห่งหนึ่งใช้ CLiX เพื่อลดงานค้างในการลงรหัสโดยการกรอกข้อมูลอัตโนมัติได้สูงสุด 60% ของบันทึกด้วยความเชื่อมั่นสูง (www.solventum.com) (ซึ่งต้องการการแก้ไขโดยมนุษย์เพียงเล็กน้อย) ในด้านความปลอดภัย Clinithink ทำงานแบบภายในองค์กรหรือในคลาวด์ส่วนตัว และรองรับบันทึกการตรวจสอบ ความยืดหยุ่นสำหรับคลังความรู้ที่กำหนดเองเป็นข้อดี แม้ว่าโดยทั่วไปแล้วจะต้องมีผู้เชี่ยวชาญในการตั้งค่ากฎ

ประสิทธิภาพและผลลัพธ์เชิงเปรียบเทียบ

ความแม่นยำในการลงรหัส: ทั้งคำกล่าวอ้างของผู้ขายและการศึกษาที่เกิดขึ้นใหม่ชี้ให้เห็นว่า AI สามารถเทียบเท่าหรือเกินประสิทธิภาพของผู้ลงรหัสที่เป็นมนุษย์ได้ ข้อมูลนำร่องจริงแสดงให้เห็นว่าผู้ลงรหัสที่ใช้ LLM สามารถเทียบเท่าความแม่นยำของผู้ลงรหัสที่ได้รับการรับรอง: การศึกษาของ Mount Sinai พบว่า GPT-4 ซึ่งเสริมด้วยการดึงบันทึกในอดีต เป็นที่ชื่นชอบของผู้ตรวจสอบที่เป็นมนุษย์ ในด้านความแม่นยำของรหัส (447 เทียบกับ 277 กรณี)† (www.medrxiv.org) แม้แต่โมเดลโอเพ่นซอร์สก็ยังแสดงให้เห็นถึงการปรับปรุงที่ยอดเยี่ยมด้วย RAG ในทางปฏิบัติ ผู้ขายรายงานเมตริกความแม่นยำสูง (บ่อยครั้ง 90–98%) (revstream.io) (medicodio.ai) ตัวอย่างเช่น IKS Health อ้างถึงความแม่นยำสูงสุด 95% (www.businesswire.com) และ MediCodio 98% (medicodio.ai) เมื่อเปรียบเทียบกัน อัตราข้อผิดพลาดของการลงรหัสด้วยมือแบบดั้งเดิมแตกต่างกันไป แต่การตรวจสอบมักพบการลงรหัสผิดพลาดประมาณ 10–15% ในกรณีที่ซับซ้อน ตัวเลขสูงจากผู้ขายควรพิจารณาอย่างรอบคอบ (ผู้ขายทดสอบกับข้อมูลที่คัดสรรมาแล้ว) แต่ก็สอดคล้องกับการทดลองที่ AI ที่ปรับแต่งมาอย่างดีสามารถสร้างชุดรหัสที่คล้ายคลึงกับผู้ลงรหัสได้มาก (www.medrxiv.org)

อัตราการถูกปฏิเสธการเคลม: การแก้ไขก่อนการเรียกเก็บเงินอัตโนมัติสามารถลดการถูกปฏิเสธการเคลมได้อย่างมาก ผู้ให้บริการหลายรายประเมินว่า 60–80% ของการถูกปฏิเสธการเคลมเกิดจากปัญหาการลงรหัส/การบันทึกข้อมูล (www.beckersasc.com) ด้วยการตรวจจับปัญหาเหล่านี้ตั้งแต่เนิ่นๆ ตัวแทน AI รายงานการปรับปรุงที่น่าทึ่ง ตัวอย่างเช่น MediCodio อ้างว่าลดการถูกปฏิเสธการเคลมได้ 83% เมื่อเทียบกับเกณฑ์มาตรฐานในอดีต (medicodio.ai) และ Thinkitive (ผู้ขาย RCM ที่ปรับแต่งได้) โฆษณาการลดการปฏิเสธการเคลมได้ 40% ในไตรมาสแรกหลังการนำไปใช้ (www.thinkitive.com) ในทำนองเดียวกัน Arintra ระบุว่าการตรวจสอบกฎของผู้ชำระเงินและขั้นตอนการตรวจสอบโดยผู้ลงรหัสส่งผลให้ “มีการปฏิเสธการเคลมน้อยลง” และการเบิกจ่ายที่รวดเร็วขึ้น (www.arintra.com) ตัวเลขเหล่านี้ต้องถือเป็นตัวอย่าง แต่ประเด็นเชิงคุณภาพยังคงอยู่: การผสานรวมการลงรหัสที่ขับเคลื่อนด้วย AI เข้ากับการตรวจสอบช่องว่างในเอกสารมีแนวโน้มที่จะเพิ่มผลผลิตในการเคลมครั้งแรก เจ้าหน้าที่การเงินด้านการดูแลสุขภาพมักอ้างถึงอัตราการปฏิเสธการเคลม <5% ว่าเป็นอุดมคติ (www.beckersasc.com); เครื่องมือ AI มีเป้าหมายที่จะช่วยให้บรรลุเป้าหมายนั้นโดยการแก้ไขสาเหตุหลักประการหนึ่ง (ข้อผิดพลาดในการลงรหัส)

เวลาที่แพทย์และผู้ลงรหัสประหยัดได้: การช่วยเหลือด้านการบันทึกข้อมูล/การลงรหัสด้วย AI รวมกันเป็นเวลาที่ประหยัดได้ การศึกษาของ JAMA เกี่ยวกับ AI สกริปต์แบบแวดล้อมพบว่ามีการลดเวลาในการบันทึกข้อมูลที่น้อยแต่มีความสำคัญ (ลดลง 13–16 นาทีต่อวันทำงาน 8 ชั่วโมง ลดลง 10%) (pmc.ncbi.nlm.nih.gov) ส่วนใหญ่สะท้อนถึงการบันทึกข้อความที่รวดเร็วขึ้น (สกริปต์ร่างข้อความ) และการแก้ไขเพิ่มเติมที่น้อยลง ในด้านการลงรหัส ประสิทธิภาพที่เพิ่มขึ้นอยู่ที่ประมาณ 3–5 เท่าของความเร็ว: MediCodio รายงานเวลาประมวลผลบันทึกที่เร็วขึ้น 81% (medicodio.ai) Arintra อ้างว่าจัดการบันทึกได้ 80–90% โดยอัตโนมัติ (www.arintra.com) ซึ่งหมายความว่าผู้ลงรหัสจะเปิดเพียง 10–20% ที่เหลือ ในวงกว้าง สิ่งนี้หมายถึงประสิทธิภาพของผู้ลงรหัสที่สูงขึ้น (และต้องการจำนวนผู้ลงรหัส FTEs น้อยลง) แหล่งข่าวหนึ่งประมาณการว่าผู้ลงรหัสสามารถประมวลผลบันทึกได้สูงสุด 48 รายการต่อชั่วโมงด้วยเครื่องมือ AI (เทียบกับประมาณ 10–15 รายการต่อชั่วโมงด้วยตนเอง) สิ่งสำคัญคือ UI ที่แสดงเฉพาะความแตกต่างหรือรายการที่มีความเชื่อมั่นต่ำจะช่วยให้ผู้ลงรหัสแต่ละคนมุ่งเน้นไปที่สิ่งที่สำคัญที่สุด ไม่มีการศึกษาที่เผยแพร่ใดยังระบุปริมาณเวลาที่ประหยัดได้ทั่วทั้งระบบ RCM ในระดับระบบ แต่ Bloomberg และ Becker’s รายงานการใช้ AI ที่เพิ่มขึ้นเพื่อเพิ่มปริมาณงานของผู้ลงรหัสและลดงานค้าง

การผสานรวมกับ EHR และการครอบคลุมคลังความรู้ทางการแพทย์

ตัวแทน AI ด้านการลงรหัส/CDI สมัยใหม่ส่วนใหญ่มุ่งเป้าไปที่ การผสานรวมกับ EHR อย่างราบรื่น โซลูชันเช่น IKS Health และ Solventum มีปลั๊กอินสำหรับระบบหลักๆ (App Orchard หรือ Connection Hub ของ Epic, Cerner PowerChart ฯลฯ) ส่วนอื่นๆ (QuickIntell, MediCodio) เชื่อมต่อผ่านอินเทอร์เฟซ FHIR/HL7 กับ EHR หรือระบบการจัดการคลินิกที่ได้รับการรับรอง การผสานรวมเหล่านี้ช่วยให้ AI สามารถดึงบันทึกทางคลินิกและบริบทผู้ป่วยได้โดยอัตโนมัติ และเขียนรหัสกลับไปยังคิวการเรียกเก็บเงินได้ ในการประเมินตัวแทน AI ควรตรวจสอบว่า EHR ของคุณได้รับการรองรับแบบ native หรือมี API ที่กำหนดเองหรือไม่

ในแง่ของ คลังความรู้ทางการแพทย์ ตัวแทน AI ชั้นนำครอบคลุมรหัสการเรียกเก็บเงินทั้งหมด (ICD-10-CM, ICD-10-PCS/OPCS, CPT/HCPCS, DRG ฯลฯ) รวมถึงคำศัพท์สำหรับ NLP (SNOMED CT, LOINC สำหรับแนวคิดในห้องปฏิบัติการ, RxNorm สำหรับยา) ตัวอย่างเช่น RevCodeMD จัดการ ICD และ CPT อย่างชัดเจน ในขณะที่ CLiX ของ Clinithink สามารถจับคู่การวินิจฉัย SNOMED และยา RxNorm กับรหัสการเรียกเก็บเงินได้ ตัวแทน AI ที่ครอบคลุมยังรวมชุดรหัสท้องถิ่น, ตารางค่าธรรมเนียมเฉพาะของผู้ชำระเงิน และแม้แต่บัญชีรายการค่าบริการของโรงพยาบาล เราไม่พบตัวแทน AI ที่สามารถจัดการทุกระบบที่เป็นไปได้พร้อมกัน แต่หลายรายอ้างว่าครอบคลุมความต้องการเฉพาะทางทั่วไปได้มากกว่า 90% ควรสอบถามว่าสามารถนำเข้ารหัสที่หายากหรือรหัสภายใน (เช่น รหัสการใช้งานภายใน) ได้หรือไม่ และระบบอัปเดตการเปลี่ยนแปลงรหัส (ICD-11, การอัปเดต CPT ประจำปี) อย่างไร

การตรวจสอบโดยมนุษย์ร่วมกับระบบ (Human-in-the-Loop) และธรรมาภิบาล

การกำกับดูแลโดยมนุษย์ เป็นสิ่งสำคัญ แพลตฟอร์มชั้นนำทั้งหมดใช้โมเดล HITL: AI แนะนำ มนุษย์ตรวจสอบข้อยกเว้น ตัวอย่างเช่น กลไกของ IKS จะส่งต่อรายการที่มีความเชื่อมั่นต่ำ; โหมด AutoPilot ของ MediCodio ยังคงมี “การแก้ไข” โดยผู้ลงรหัส; CDE One สร้างคำถาม CDI ที่พยาบาลหรือแพทย์ตอบ สิ่งนี้หมายความว่าความรับผิดชอบยังคงอยู่กับผู้ลงรหัส/แพทย์ที่ได้รับการรับรอง ไม่ใช่ AI ที่สำคัญคือข้อเสนอแนะทั้งหมดควรอ้างอิงกลับไปยังหลักฐานในบันทึกได้ โซลูชันเช่น Solventum จัดเก็บบันทึกการตรวจสอบที่เชื่อมโยงแนวคิดที่ลงรหัสแต่ละรายการเข้ากับข้อความในบันทึกที่กระตุ้นให้เกิดการลงรหัสนั้น (www.solventum.com) แนวปฏิบัติที่ดีคือการวัดผลข้อเสนอแนะของ AI เทียบกับการตรวจสอบโดยมนุษย์แบบสุ่มทุกสัปดาห์ เนื่องจากลักษณะของการดูแลเปลี่ยนแปลงไป (ตามที่ระบุในการศึกษา NPJ Digital Medicine: “ความแม่นยำของโมเดลอย่างเดียวไม่เพียงพอ” – ขั้นตอนการทำงานและการนำไปใช้มีความสำคัญ (www.nature.com))

ธรรมาภิบาลและการปฏิบัติตามข้อกำหนด: เครื่องมือทั้งหมดมีเป้าหมายที่ การปฏิบัติตาม HIPAA; ส่วนใหญ่เป็นแพลตฟอร์ม SaaS ที่ลงนามข้อตกลง Business Associate Agreements (BAAs) และใช้การเข้ารหัส QuickIntell’s QuickCode อ้างถึงการเข้ารหัส TLS/AES และการควบคุม SOC2 อย่างชัดเจน (quickintell.com) กฎความปลอดภัยของ HIPAA กำหนดมาตรการป้องกันด้านบริหารจัดการและเทคนิคสำหรับ ePHI (การเข้ารหัส, บันทึกการเข้าถึง, การจัดการการละเมิดข้อมูล (www.hhs.gov)) เราแนะนำให้ตรวจสอบให้แน่ใจว่าผู้ขายของคุณมีการตรวจสอบความปลอดภัยโดยบุคคลที่สาม (SOC 2, HITRUST) และนโยบายการเก็บรักษา PHI เป็นไปตามแนวทางของสถาบันคุณ เครื่องมือที่ทำงานแบบ on-premises หรือในคลาวด์ส่วนตัว (หรือใช้ edge computing ภายในโรงพยาบาล) จะลดการเปิดเผย PHI

ความปลอดภัย (ไม่มีคำแนะนำทางการแพทย์): ตัวแทน AI เหล่านี้ควรหลีกเลี่ยงการให้คำแนะนำทางคลินิก (การวินิจฉัยหรือการรักษา) มีอยู่เพื่อลงรหัสและบันทึกข้อมูล ตัวอย่างเช่น ผลิตภัณฑ์ AI แวดล้อมบางชนิดมีคำแนะนำเช่น “ห้ามให้คำแนะนำทางคลินิกใหม่” มาตรการป้องกันรวมถึงการออกแบบ prompt ที่จำกัดโมเดล: เช่น “เสนอแนะเฉพาะรหัสการเรียกเก็บเงินเท่านั้น; ห้ามตีความเจตนาทางคลินิก” AI ไม่ควร “หลงผิด” สร้างการวินิจฉัยที่ไม่มีอยู่ในข้อความ ตามหลักการแล้วตัวแทนควรใช้ฐานความรู้ทางการแพทย์ที่คัดสรรมาอย่างดีแทนที่จะสร้างข้อความอิสระ การตรวจสอบผลลัพธ์เทียบกับคลังความรู้ที่รู้จัก (UMLS, RxClass ฯลฯ) ช่วยตรวจจับการอนุมานที่ผิดพลาด เราแนะนำให้สอบถามผู้ขายเกี่ยวกับการปฏิบัติตามข้อกำหนด FDA/อุปกรณ์ทางการแพทย์ หากผลิตภัณฑ์ของพวกเขาเริ่มรุกล้ำการสนับสนุนการตัดสินใจทางคลินิก เนื่องจากพื้นที่นั้นยังคงมีการพัฒนาอยู่

ช่องว่างในตลาดและโอกาสในอนาคต

แม้ว่าตัวแทน AI สำหรับการลงรหัสในปัจจุบันจะทรงพลัง แต่ก็ยังมีช่องว่างอยู่ หลายรายเน้นที่บันทึกผู้ป่วยและให้การสนับสนุนที่จำกัดสำหรับ ข้อมูลมัลติมีเดียหรือข้อมูลเฉพาะทาง (เช่น ภาพวินิจฉัย, การตรวจทางพันธุกรรม, จีโนมิกส์) ยังไม่มีโซลูชันใดที่สามารถเชื่อมโยงผลการค้นพบภาพทางการแพทย์เข้ากับการลงรหัสได้อย่างสมบูรณ์ (AI รังสีวิทยายังอยู่ในช่วงเริ่มต้น) การสนับสนุนหลายภาษายังเป็นอีกข้อบกพร่อง: บันทึกของแพทย์ที่ไม่ใช่ภาษาอังกฤษอาจไม่ได้รับการจัดการ เว้นแต่จะได้รับการฝึกฝนมาโดยเฉพาะ (สำคัญสำหรับระบบสุขภาพทั่วโลก) นอกจากนี้ ในขณะที่รหัส CMS และ ICD ได้รับการครอบคลุมเป็นอย่างดี พื้นที่ใหม่ๆ เช่น เมตริกคุณภาพที่อิงตามคุณค่า (SNOMED หรือ LOINC สำหรับผลลัพธ์) ได้รับความสนใจน้อยลง

ช่องว่างอีกประการคือ ความโปร่งใสของผู้ใช้: แพทย์และผู้ลงรหัสหลายคนมักมองว่าข้อเสนอแนะของ AI เป็นกล่องดำ ระบบที่ดีกว่าจะให้ผลลัพธ์ AI ที่อธิบายได้ เช่น “แนะนำรหัส J96.21 (ภาวะหายใจล้มเหลวเฉียบพลัน) เนื่องจากบันทึกระบุว่า ‘ภาวะหายใจล้มเหลวเฉียบพลัน, ผู้ป่วยได้รับการช่วยหายใจ’ (ดูส่วน X)” การตรวจสอบย้อนกลับนี้สร้างความไว้วางใจ นอกจากนี้ มีเครื่องมือเพียงไม่กี่ชนิดที่เรียนรู้แบบไดนามิกจากรูปแบบเฉพาะของผู้ให้บริการแบบเรียลไทม์ (ส่วนใหญ่ต้องการการฝึกอบรมซ้ำเป็นชุดพร้อมข้อเสนอแนะ) ตัวแทน AI รุ่นต่อไปอาจปรับตัวเข้ากับรูปแบบการผสมผสานผู้ชำระเงินและรูปแบบการบันทึกข้อมูลเฉพาะของโรงพยาบาลได้อย่างต่อเนื่อง

สุดท้าย กรอบการทำงานการผสานรวมที่เป็นสากล ยังขาดอยู่ ผู้ขายแต่ละรายนำเสนอตัวเชื่อมต่อที่เป็นกรรมสิทธิ์ อินเทอร์เฟซแบบเปิดทั่วทั้ง EHR (อาจเป็นมาตรฐานการเรียกเก็บเงิน HL7 FHIR) อาจช่วยให้เครื่องมือต่างๆ สามารถเชื่อมต่อได้อย่างเป็นหนึ่งเดียวกันมากขึ้น

คำแนะนำที่นำไปปฏิบัติได้สำหรับผู้ประกอบการ: ผู้ช่วยลงรหัส/CDI ในอุดมคติจะเป็น “เมตา-เอเจนต์” ที่ผสมผสานสิ่งที่ดีที่สุดของเครื่องมือที่มีอยู่เข้าด้วยกัน โดยจะผสานรวมกับ EHR ใดๆ ได้อย่างง่ายดาย (สถาปัตยกรรมแบบเปิดที่อิงตาม FHIR) รองรับคลังความรู้การลงรหัสหลักทั้งหมด (ICD, CPT, SNOMED, LOINC, RxNorm) และรวมอินเทอร์เฟซภาษาธรรมชาติเพื่อให้แพทย์สามารถสอบถามคุณภาพเอกสารได้ ควรจัดเตรียมการยืนยันที่พร้อมสำหรับการตรวจสอบสำหรับรหัสทุกรายการ ในด้านขั้นตอนการทำงาน จะสามารถรวม CDI, การลงรหัส และการจัดการการปฏิเสธการเคลมเข้าด้วยกันได้: เช่น หาก AI พบช่องว่างในเอกสารบันทึก อาจเปิดคำถามถึงแพทย์ ก่อน การส่งการเคลม ในการป้องกันการปฏิเสธการเคลม ตัวแทนอาจจำลองการแก้ไขของบริษัทประกันเพื่อระบุการเคลมที่มีความเสี่ยงสูง

โดยสรุป ตัวแทน AI เหล่านี้กำลังเติบโตอย่างรวดเร็ว ผู้ประกอบการควรจับตาดูช่องว่างของคุณสมบัติ – โดยเฉพาะอย่างยิ่งเกี่ยวกับ การอธิบายได้ การสนับสนุนเฉพาะทาง และการทำงานร่วมกัน – และพิจารณาสร้างแพลตฟอร์มที่ตอบสนองความต้องการเหล่านั้น ผู้ช่วยลงรหัส AI สากล ที่เชื่อมโยง EHRs, การลงรหัส, การวิเคราะห์ และการตัดสินการเคลมเข้าด้วยกัน (พร้อมการปฏิบัติตามข้อกำหนดและความปลอดภัยที่ฝังอยู่) จะเป็นส่วนเสริมที่มีคุณค่าในตลาด

สรุป

ตัวแทน AI ที่ขับเคลื่อนด้วยการลงรหัสและการบันทึกข้อมูลกำลังเปลี่ยนแปลงขั้นตอนการทำงานของวงจรรายได้ โซลูชันในปัจจุบัน – ตั้งแต่ตัวลงรหัสอัตโนมัติที่ผสานรวมกับ Epic ไปจนถึง AI สกริปต์แบบแวดล้อม – สามารถทำความแม่นยำในการลงรหัส ICD/CPT ได้ใกล้เคียงมนุษย์ (www.medrxiv.org) ลดอัตราการปฏิเสธการเคลมลงอย่างเห็นได้ชัด (medicodio.ai) และลดเวลาการบันทึกข้อมูลของแพทย์ลงได้หลายนาที (pmc.ncbi.nlm.nih.gov) สิ่งเหล่านี้ทำได้โดยการผสมผสานความเข้าใจภาษาธรรมชาติของบันทึกทางคลินิกเข้ากับตรรกะแบบกฎเกณฑ์และการกำกับดูแลโดยมนุษย์ ปัจจัยสำคัญสู่ความสำเร็จ ได้แก่ การผสานรวมกับ EHR อย่างแน่นหนา การสนับสนุนคลังความรู้ทางการแพทย์ที่ครอบคลุม และมาตรการป้องกัน PHI ที่แข็งแกร่ง

อย่างไรก็ตาม ไม่มีผลิตภัณฑ์ใดสมบูรณ์แบบ: แพทย์ยังคงเป็นศูนย์กลาง โดยตรวจสอบข้อความแจ้งเตือนของ AI เพื่อความแตกต่างและการปฏิบัติตามข้อกำหนด องค์กรควรนำเครื่องมือเหล่านี้ไปใช้ด้วยธรรมาภิบาลที่ชัดเจน (บันทึกการตรวจสอบ, การประกันคุณภาพอย่างต่อเนื่อง) และควรฝึกอบรมพนักงานเกี่ยวกับการใช้งานที่เหมาะสม เมื่อ AI พัฒนาขึ้น เราคาดว่าจะเห็นประสิทธิภาพที่แข็งแกร่งยิ่งขึ้น (ห้องปฏิบัติการบางแห่งกำลังเห็นความแม่นยำของรหัส LLM เทียบเท่าหรือเกินกว่ามืออาชีพ (www.medrxiv.org)) สำหรับผู้ริเริ่ม โอกาสเปิดกว้าง: สร้างตัวแทน AI ที่โปร่งใสและยืดหยุ่นมากขึ้น ซึ่งครอบคลุมกรณีการใช้งานที่หลากหลายและเข้ากันได้กับการส่งมอบการดูแลอย่างแท้จริง ผู้ช่วยลงรหัสในอนาคตอาจไม่เพียงแค่บันทึกข้อมูลหรือแนะนำรหัสเท่านั้น แต่ยังสามารถโค้ชแพทย์อย่างจริงจังในการบันทึกข้อมูลให้เป็นไปตามข้อกำหนด – เป็น “ผู้ช่วยดูแลบันทึก” ที่แท้จริงซึ่งช่วยให้แพทย์มุ่งเน้นไปที่ผู้ป่วยได้ ไม่ใช่เอกสาร