AI加RPA：为医疗保健收入周期带来巨大增益

目前，各类研究实验室运用AI技术达成的诸多卓越成果，比如，已经证明AI技术在诊断癌症、视网膜病变乃至新冠等领域已经能够媲美甚至超越人类医师。

但是，其中还有很多现实问题。首先，在实验室中起效的方法事实上并不一定适用于临床场景。其次，这类新型AI治疗方法必须得到药监局的批准，整个过程可能需要几年时间。而最后一点在于，这些AI诊断功能本身并不能真正降低成本——医疗机构仍然需要与过去相同数量的放射科医师与眼科医生等等。

归根结底，AI最大的价值实际在于降低管理成本。对此，哈佛大学著名健康经济学家David Cutler在某会议上表示，强调管理成本已经占据全美医疗保健支出的四分之一到三分之一。另外，他还提出了一系列与缩短收入周期、提高许可效率以及加快数据交换速度相关的成本节约意见。

通过AI加自动化技术降低管理成本

目前，以行政管理为导向的AI方案已经在Baylor Scott & White Health这家公司得到成功实现。这是一家拥有52所医院的大型学术医疗体系，也是得克萨斯州规模最大的非营利性医疗保健服务商。担任收入周期高级副总裁的Sarah Knodel虽然不是机构的最高负责人，但她一直负责监督多项行政职能，直接管理约2500位雇员。

Knodel在采访中表示，BSWHealth系统从三个方面重点关注收入周期控制：

• 降低收集成本
• 优化净收益
• 改善患者经济负担

在她看来，AI与自动化技术有望配合起来，给以上几大问题指明解决之道。

Knodel与BSWHealth八年来始终致力于拿出一套综合的解决方案。为了向患者提供更为透明的定价标准，BSWH采用了由医疗技术供应商WAystar推出的、基于机器学习技术的自动化价格估算工具。这款工具会在患者接受护理之前生成自付费用的估算值。如今，该功能在不少行业中早已推广开来，但在医疗保健领域仍然具有重要的开拓意义。

在使用这款工具之前，自费额估值只能依靠手动形式完成，且需要结合BSWHealth下辖各系统中的多种信息。收入周期部门的员工需要5到7分钟才能给出一项估算值，而且准确性相当捉急。但如今，高达七成的估算值无需任何人为干预即可快速得出。系统会自动从患者的保险公司处检索实时资格与福利数据，并将其与收费及合同费率结合起来，借此估算特定患者所对应的具体自付费用。此外，该项技术还能从保险索赔中不断收集新素材、学习新模式，随时间推移持续提升自身的估算准确性。

虽然还没有外部机构评估过患者的具体财务体验，但自从这款工具发布以来，BSWHealth已经获得了各方的积极反馈。在护理前即可获得相对可靠的自费数额，使得各家诊所及医院服务点的体验效果提升了60%至100%。医生也对预估值感到满意，极大降低了无法在当日之内处理完成的积压病患。

五年之前，Knodel曾建议，以在线自助服务的形式推出估价系统，帮助购物者提前对自己需要支付的款项心中有数。到去年，美国政府已经强制要求对护理进行此类预先估算，而BSWHealth在这条探索之路上显然比低线要求走得更快、走得更远（目前仍有很多医院未能做到底线要求）。

与此同时，BSWHealth还利用智能技术在业务办公室的保险收款部门建立起“索赔状态”指标，以自动化方式检查尚未完成的保险索赔进程。以往，收款机构必须登录多个付款方网站或直接致电；如今，机器人流程自动化（RPA）与屏幕抓取技术已经能够模拟用户登录付款方网站的操作。

当RPA系统从付款方处获得索赔状态时，会把相关数据集成至收集人员工作流程当中；如果索赔已经通过并安排支付，再将对应的数据从收集人员排队中清除掉。对于遭到拒绝并需要立即回应的申请，RPA则加速审查以发现问题根源。这套基于异常状态的RPA工作流程大大加快了医疗保险的赔付速度，确保只将真正需要人为干预的案例提交给收集人员以待审查。

Sarah Knodel表示，她的组织正在开展多个类似的项目，而且尝试在几乎所有收入周期部门中使用机器学习或RPA技术。在资源利用率审查方面，这项新技术能够实时读取病历文件并预测患者应该继续住院还是接受居家观察，借此保证诊疗结论既符合监管要求、又不超出付款方的指定额度。凭借这项努力，BSWHealth将审查部门的全职等效人数（FTE）削减了20%以上，拒付案例比率也降低了相同的百分比。

展望未来，Knodel的目标是利用这些技术与付款方之间建立起协作性更强、创新性更高的伙伴关系。她希望借此消除耗时且低效的治疗授权与申请流程，转而采用更高效、自动化水平更高的工作方式。

智能收入周期管理

为了理解AI与RPA技术在各类行业中的收入周期与管理成本节约方面的实际功效，我们还与Waystar公司CEO Matt Hawkins进行了交流。作为一家交易处理商，Waystar公司一直在探索如何利用自身业务数据开发新的产品。Hawkins介绍称，Waystar每年约为40%的美国病患处理25亿笔医疗账单及收款交易，且全部在同一数据平台之上进行。这部分数据也让该公司能够利用机器学习、其他形式的AI技术乃至RPA降低系统运行成本，进而实现更好的病患护理效果。

如今的美国医疗保健系统已经过度复杂，这一点在流程数据中已经得到充分体现。Waystar与18000家医疗保健服务商以及众多计费与收款公司保持合作，为相关计费及收费数据建立起一套统一的票据交易所。但要想对内容进行分析并应用AI技术，他们需要使用规则引擎对数据进行检索、匹配、标准化、联合与转换。在此之后，他们才能应用各类算法开展具体查验，例如利用现有技术预测某个大型医疗系统中的特定规程要占用多少医疗经费。

他们的这套AI加RPA平台被称为“Hubble”，虽然目前仅适用于医疗领域，但未来也许会重新塑造整个保险索赔行业的新面貌。

另外，Waystar也推出了其他一些产品，主要强调“倾向性建模”——即预测付款方处理索赔申请的方式与接受赔付金额的可能性，外加预测患者本人能否接受当前的自费额度。所有这一切，都离不开机器学习的加持。

Waystar还使用RPA推进索赔状态、索赔驳回申诉以及不同系统间数据往来的自动化流程管理体系。他们主张使用机器人对接付款方，这也敦促保险公司上线更多机器人进行响应处理。很快，我们就能见证机器人对机器人这种全新、高效沟通方式的持续普及。

也许Baylor Scott & White Health所使用的机器学习项目以及Waystar介绍的AI加RPA收入周期管理应用能给更多企业的CEO们带来一些启发，帮助他们了解AI技术能做什么、擅长做什么。虽然这样的基础性应用似乎并不足以吸引到大型投资方的高度关注，但收入周期层面的效率提高必将帮助医疗保健组织在更短时间内收回成本、获得更加健康且可持续的发展态势