Dokter duduk di meja dan menulis resep untuk pasien nya.
Ketika seseorang mengajukan klaim asuransi kesehatan, mereka mengharapkan pemrosesan, persetujuan, dan pengobatan yang cepat dari para pemangku kepentingan yang terlibat. Menurut studi KFF terbaru tentang rencana Affordable Care Act (ACA), bahkan ketika pasien menerima perawatan dari dokter dalam jaringan, perusahaan asuransi menolak 17% klaim pada tahun 2021. Salah satu perusahaan asuransi menolak 49% klaim pada periode yang sama, sementara penolakan yang lain mencapai 80% pada tahun 2020. Penyebab utama dari penolakan-penolakan ini tampaknya adalah pendekatan manual dalam pemrosesan klaim. Para pemangku kepentingan memiliki begitu banyak hal yang harus mereka tangani sehingga mereka membuat kesalahan yang menyebabkan penolakan, sulit untuk memproses klaim tepat waktu, dan bahkan terlibat dalam pekerjaan kembali yang memakan waktu yang memengaruhi lini bawah.
Ketika sebuah klaim ditolak, dipaksa oleh orang yang diasuransikan untuk membayar secara langsung, ini bukanlah sesuatu yang tidak bisa diatasi. Contoh nyata: peran kecerdasan buatan. Kemajuan terbaru dalam pembelajaran mesin, pemrosesan bahasa alami, dan pembelajaran mendalam dapat membantu mengotomatisasi dan menyelaraskan seluruh proses klaim dari awal hingga akhir, menghasilkan pengambilan keputusan yang lebih tepat dan akurat serta penanganan aplikasi yang lebih baik.
Tantangan-tantangan yang Mempengaruhi Pemrosesan Klaim Medis
Dalam suatu ekosistem di mana semakin banyak aplikasi klaim medis yang ditangani secara manual, berbagai tantangan dapat muncul, mulai dari kesalahan penagihan medis.
Sebagian besar penyedia layanan kesehatan hari ini ingin meneruskan aplikasi klaim secepat mungkin tetapi upaya ini dapat dengan mudah membuat staf mereka membuat kesalahan seperti mengajukan klaim ganda untuk pasien yang sama, memasukkan nomor ID asuransi yang salah, atau memberikan informasi pasien yang tidak lengkap. Kesenjangan ini dapat langsung mengakibatkan penolakan klaim atau pembayaran yang tertunda.
Apabila penagihan tidak salah, keterlibatan banyak pemangku kepentingan – dan persyaratan, dokumentasi, dan peraturan mereka sendiri dapat mengarah pada kesalahan pengajuan klaim dan penolakan. Dapat juga terjadi kasus di mana staf yang menangani klaim dapat membuat kesalahan dalam entri data, penanganan dokumen, atau verifikasi, yang mengakibatkan penolakan yang salah.
Bagaimana Kecerdasan Buatan Dapat Menjadi Penyelamat
Dengan kecerdasan buatan dalam alur, sejumlah tugas manual yang terkait dengan pemrosesan klaim asuransi kesehatan dapat diotomatisasi.
Sebagai contoh, baik penyedia layanan kesehatan maupun perusahaan asuransi dapat memanfaatkan model bahasa besar untuk menangani entri data dan verifikasi dokumen dalam proses. Hal ini dapat menyelaraskan alur kerja sambil meningkatkan efisiensi dan akurasi pada saat yang bersamaan.
Dalam solusi kerja lainnya, para pemangku kepentingan dapat menggunakan teknologi kecerdasan buatan seperti pengenalan karakter optik (OCR) dan pemrosesan bahasa alami (NLP) untuk mengekstrak informasi relevan dari dokumen tidak terstruktur, seperti catatan medis dan formulir klaim, dan mengajukan klaim dengan lebih cepat dan akurat. Mereka bahkan dapat menggunakan algoritma pembelajaran mesin untuk menganalisis data klaim historis dan mengidentifikasi pola atau anomali yang mencurigakan menunjukkan aktivitas penipuan. Hal ini dapat membantu penyedia asuransi membedakan antara klaim yang sah dan yang tidak sah dan menolak yang terakhir.
Namun, itu belum semuanya.
Selain mengotomatisasi proses klaim dan membantu memerangi penipu, kecerdasan buatan dan pembelajaran mesin juga dapat membantu memperbaiki peluang persetujuan.
Contoh yang ideal bisa menjadi prediksi penolakan, di mana penyedia layanan kesehatan dapat menggunakan kecerdasan buatan untuk menganalisis data historis tentang penolakan dan bandingkan dan mengidentifikasi pola yang menunjukkan kemungkinan penolakan yang lebih tinggi. Hal tersebut dapat memungkinkan staf layanan kesehatan memperbaiki item-item yang mendapat peringatan sebelum pengiriman, akhirnya mengurangi risiko penolakan dan meningkatkan hasil bagi penyedia asuransi dan layanan kesehatan.
Demikian pula, perusahaan asuransi juga dapat menggunakan sistem pendukung keputusan bertenaga kecerdasan buatan, yang dapat menganalisis data klaim komprehensif untuk memberikan rekomendasi, pedoman, dan peringatan yang relevan bertujuan untuk memastikan kepatuhan yang ketat terhadap kebijakan kesehatan, meminimalkan kesalahan, dan meningkatkan konsistensi sepanjang alur kerja pemrosesan klaim.
Dampak pada Seluruh Ekosistem Kesehatan
Ketika dilakukan dengan benar, pemrosesan klaim yang didukung kecerdasan buatan dapat memengaruhi semua pemangku kepentingan dalam ekosistem kesehatan, termasuk:
1. Penyedia layanan kesehatan: Otomatisasi dan penyelarasan tugas dengan kecerdasan buatan dapat mengurangi beban administratif dan dokumen, memungkinkan penyedia untuk mengalokasikan lebih banyak waktu dan sumber daya untuk perawatan pasien. Selain itu, pemrosesan klaim yang lebih cepat dan akurat juga dapat menghasilkan pembayaran yang tepat waktu, meningkatkan arus kas bagi penyedia layanan kesehatan.
2. Pasien: Ketika kecerdasan buatan digunakan dan klaim diproses lebih cepat dari sebelumnya, waktu tunggu bagi pasien akan berkurang, memungkinkan mereka untuk mengakses layanan medis yang diperlukan lebih cepat. Selain itu, pemrosesan klaim yang tepat waktu dan akurat juga akan mengurangi kemungkinan penolakan, memastikan pengalaman pasien yang lebih lancar tanpa stres finansial yang berlebihan.
3. Produsen obat: Efisiensi yang ditingkatkan dalam pemrosesan klaim dapat mengurangi biaya administratif bagi produsen obat dan memungkinkan interaksi yang lebih lancar dengan pembayar. Hal ini akan memungkinkan mereka untuk fokus lebih pada penelitian dan pengembangan, yang potensial mengarah pada pengembangan obat-obatan inovatif dan penyelamat.
Pada akhirnya, sistem yang lebih efisien akan memberikan kontribusi pada pasar kesehatan yang lebih efektif.
4. Pembayar: Seperti yang disebutkan di atas, kecerdasan buatan dapat memberdayakan pembayar untuk membuat keputusan berbasis data, menghasilkan penilaian risiko yang lebih akurat, pemrosesan klaim yang lebih cepat, dan alokasi sumber daya yang dioptimalkan. Hal ini akan menghasilkan hasil keuangan yang lebih baik dan meningkatkan penyampaian layanan, yang pada akhirnya akan memberikan manfaat bagi kedua pembayar dan pemegang polis.
Pertimbangan Etika dan Hukum
Meskipun integrasi kecerdasan buatan dalam pemrosesan klaim asuransi menawarkan banyak manfaat, para pemangku kepentingan harus selalu memperhatikan kekhawatiran etis dan hukum yang terkait dengan teknologi tersebut.
Yang pertama berarti memastikan transparansi dalam algoritma kecerdasan buatan dan proses pengambilan keputusan, menjaga privasi dan keamanan data, dan mengatasi bias dalam model kecerdasan buatan yang dapat mempengaruhi hasil klaim. Sementara itu, yang kedua melibatkan kepatuhan terhadap regulasi yang ada, seperti undang-undang perlindungan data dan privasi, dan penanganan masalah tanggung jawab potensial yang timbul dari keputusan yang didorong oleh kecerdasan buatan.
Tidak peduli kasus penggunaan apa, tim harus mempertimbangkan keduanya dengan menetapkan pedoman, regulasi, dan kerangka etika yang jelas bagi pihak yang menggunakan teknologi tersebut.
Jalan ke Depan
Seiring dengan peningkatan adopsi kecerdasan buatan dalam pemrosesan klaim asuransi, para pemangku kepentingan dalam ekosistem kesehatan dipastikan akan mendapat manfaat dari persetujuan yang lebih cepat, pembayaran, dan waktu respon keseluruhan yang lebih baik.
Kecerdasan buatan akan meningkatkan akurasi dan deteksi penipuan, meminimalkan positif palsu dan negatif untuk perusahaan asuransi. Ditambah, akan menciptakan pengalaman klaim yang personal untuk pemegang polis (dengan rekomendasi/panduan yang disesuaikan), meningkatkan kepuasan dan loyalitas mereka.
Pada akhirnya, perusahaan asuransi juga diharapkan akan memanfaatkan keceradasan buatan untuk penilaian risiko, di mana mereka bisa menawarkan kebijakan dan struktur harga yang lebih disesuaikan berdasarkan profil risiko individual yang akurat. Integrasi yang mulus dari sistem pemrosesan klaim yang didukung kecerdasan buatan dengan teknologi kesehatan lainnya, seperti rekam medis elektronik, akan memungkinkan pertukaran data real-time, adjudikasi klaim yang lebih cepat, dan koordinasi perawatan yang lebih baik.
