Un recurso muy valioso para los médicos es el tiempo. Sin embargo, la realidad de hoy es desalentadora: en promedio, los médicos pasan más de tres horas al día en la documentación. Lo más preocupante? Gran parte de este trabajo se realiza durante el “tiempo de pijama” – esas horas tardías cuando los médicos ponen al día la documentación desde casa en lugar de descansar o estar con la familia. Además del impacto en la satisfacción del médico, el costo de esta carga administrativa es asombroso: las organizaciones gastan $82.7 mil millones anualmente en documentación, codificación y otras tareas administrativas, lo que presiona tanto los presupuestos como el personal.
En la conferencia de este año, los líderes de sistemas de salud y grupos de médicos se han estado reuniendo y discutiendo formas de aligerar esta carga. Aunque se han propuesto varias soluciones, un enfoque está ganando impulso: la codificación médica autónoma. Pero antes de explorar esta tecnología de IA, necesitamos entender una dinámica desconcertante: ¿Por qué los médicos realizan alguna codificación en primer lugar?
El estado actual de la codificación
La codificación de los médicos se deriva tanto de la tradición como de la necesidad. Primero, en muchas prácticas pequeñas y departamentos dentro de sistemas más grandes, los proveedores han estado acostumbrados a manejar su propia codificación, una norma que persiste en gran medida a través de la inercia institucional. Hoy en día, esto es especialmente común en la atención primaria, la medicina interna y especialidades similares. Si bien tener a los médicos abordando su propia codificación tenía sentido en el pasado, cada vez destaca más como una carga innecesaria en el contexto de un aumento más amplio de las tareas administrativas en los médicos.
En segundo lugar, dadas las limitaciones en el trabajo de codificación – por ejemplo, un estudio reciente estimó una escasez del 30% en codificadores médicos certificados – muchos clínicos se han visto obligados a cubrir la brecha ellos mismos. Aunque los médicos están altamente capacitados, no están preparados para ser expertos en codificación en la escuela de medicina. Como resultado, este enfoque aparentemente pragmático crea problemas a la larga a medida que los errores de codificación se propagan a reclamos denegados, reembolsos retrasados y trabajos costosos.
Al mismo tiempo, la complejidad de la codificación médica ha aumentado. Hoy en día, hay más de 69,000 códigos de diagnóstico ICD-10, más de 10,000 códigos de procedimiento y docenas de otros elementos de codificación que deben determinarse con precisión para cada encuentro con el paciente. Este desafío creciente sobrecarga los procesos manuales tradicionales, con incluso los codificadores experimentados requiriendo semanas o meses para adaptarse a los cambios de las pautas. Para los médicos que intentan mantenerse al día, alcanzar los estándares de precisión en la codificación se vuelve aún más difícil.
¿Cómo salir de esta espiral? Algunas organizaciones han intentado el camino obvio: expandir los equipos de codificación humana. Pero este enfoque presenta su propio conjunto de desafíos. Por un lado, la formación de nuevos codificadores requiere meses de educación y pruebas, durante los cuales las organizaciones deben absorber tanto los costos de formación como la productividad reducida. ¿Y qué hay de los equipos en el extranjero? Aunque pueden parecer una solución rentable, las organizaciones suelen descubrir costos ocultos en forma de tasas de error más altas y mayores costos generales necesarios para mantener la calidad. Lo que comienza como una medida de ahorro de costos a menudo se vuelve más costoso y arriesgado de lo anticipado.
La alternativa de IA
Aquí es donde entra la tecnología. A diferencia de sus predecesores basados en reglas que simplemente sugieren códigos para que los usuarios los validen, la IA actual puede automatizar por completo la codificación para la mayoría de los encuentros con alta precisión, consistencia y escala. Y para mantenerse al día con el cambiante panorama regulatorio, puede adaptarse a los cambios de las pautas casi al instante, evitando períodos de rampa dolorosos y costosos.
Muchos líderes clínicos expresan comprensiblemente escepticismo sobre la codificación de IA al principio. Las preocupaciones comunes incluyen la precisión en casos complejos, el mantenimiento de los estándares de cumplimiento y el impacto en los equipos de codificación existentes. Estas son consideraciones importantes: después de todo, la precisión de la codificación afecta tanto al reembolso como a la atención al paciente. Sin embargo, los datos son convincentes: los primeros adoptantes han descubierto que una IA sólida puede reducir realmente los errores de codificación, que actualmente cuestan a la industria $10.6 mil millones al año. Como resultado, las negativas de reclamos, que suelen tardar más de 90 días en resolverse, disminuyen drásticamente, al igual que el tiempo del personal dedicado a apelaciones.
Para líderes escépticos, la evidencia es convincente y tranquilizadora: la tecnología de IA mantiene o supera los estándares de cumplimiento al tiempo que reduce los costos y la complejidad operativa. El enfoque de IA para la codificación finalmente libera a los médicos de una carga administrativa que los aleja de la atención al paciente.
Un cambio necesario
Para los líderes de salud, la codificación de IA es una solución poderosa para una creciente crisis en torno al agotamiento y la retención de médicos. En pocas palabras, los médicos no deberían estar codificando, la complejidad de la codificación continúa aumentando y las soluciones tradicionales no están funcionando. A medida que las organizaciones lidian con el aumento de las tasas de error y el agotamiento de los médicos, la IA ofrece un camino claro hacia adelante: una mayor precisión en la codificación, una carga reducida para los clínicos y la oportunidad de expandir el enfoque clínico donde pertenece, en la atención al paciente.
Crédito: smolaw11, Getty Images
Austin Ward es jefe de crecimiento en Fathom, líder en codificación médica autónoma. Supervisa los esfuerzos de go-to-market de la empresa y analítica de clientes. Tiene una amplia experiencia en sistemas de salud, tecnología y ciencia de datos y ha trabajado en BCG, la Fundación Bill y Melinda Gates y en capital de riesgo. Tiene un MBA de la Universidad de Stanford, una MPA de la Universidad de Harvard y BAs de la Universidad de Chicago.
Esta publicación aparece a través del programa MedCity Influencers. Cualquiera puede publicar su perspectiva sobre negocios e innovación en el cuidado de la salud en MedCity News a través de MedCity Influencers. Haga clic aquí para averiguar cómo.