Os cuidados de saúde fizeram progressos reais na interoperabilidade, mas ainda estamos a resolver o problema errado. Temos APIs, padrões e mais dados sendo transferidos entre sistemas do que nunca, mas a indústria continua a lutar com algo mais fundamental: o que esses dados realmente significam.
O problema da IA é a interpretação e o contexto, não apenas a conectividade. Esta lacuna é mais evidente e mensurável na codificação médica, o ponto em que a interpretação clínica se torna um resultado financeiro. Associação BlueCross BlueShield recente relatório sobre o aumento da intensidade de codificação afirma identificar US$ 663 milhões em gastos hospitalares adicionais, levantando preocupações de que a codificação baseada em IA poderia aumentar o reembolso. A reação é previsível: estas tecnologias estão introduzindo imprecisões ou finalmente capturando a complexidade dos pacientes, anteriormente sub-representada? A resposta vem antes dos dois argumentos.
Atualmente, esta lacuna entre contexto e interoperabilidade está a mitigar a automação que não tem fundamento. Na codificação médica, por exemplo, a falta de contexto protege os pacientes de faturas excessivas, protege os pagadores de reclamações imprecisas e auditorias dispendiosas e alivia os médicos do fardo de triangular a documentação de cuidados através de múltiplos requisitos, muitas vezes conflituantes, dos pagadores.
Muito antes de os dados serem trocados, eles já são moldados. Os sistemas de saúde configuram os seus EHR de forma diferente, incluindo modelos de documentação, conjuntos de pedidos, listas de problemas, fluxos de trabalho de codificação e mapeamento de dados. Além disso, os prestadores documentam os cuidados de forma diferente. Estes são comportamentos operacionais comuns, mas introduzem variação no ecossistema. A documentação clínica é descritiva e contextual, enquanto os dados do ciclo de receitas são resumidos e otimizados para reembolso específico do pagador. No momento em que os dados clínicos são transformados para reembolso, os resultados provenientes do mesmo histórico do paciente são muitas vezes semanticamente muito diferentes uns dos outros.
Esta lacuna tem consequências reais. Isto alimenta tensões entre pagadores e fornecedores sobre a precisão, “intensidade de codificação”, e levanta suspeitas de sobrecodificação para reembolsos mais elevados. Esta lacuna também retarda a automação e limita a capacidade da IA de escalar de uma forma que seja confiável e durável.
Consideremos um cenário comum: a discrepância com a qual um paciente com diabetes e complicações pode ser codificado. Um sistema pode codificar para refletir o diabetes de um paciente para atender aos requisitos médicos mínimos do pagador, enquanto outro codifica a condição com as especificidades documentadas pelo provedor, diabetes tipo 2 com doença renal crônica e neuropatia. Ambos podem ser protegidos, mas apenas um reflete o quadro clínico completo e leva aos resultados corretos no reembolso, nas decisões de cuidados e nas análises. Sem um padrão compartilhado, ambos podem coexistir e ambos podem ser rotulados como precisos.
Esta variabilidade na especificidade impede que a IA atinja o seu potencial. Precisamos treinar a IA com contexto e especificidade adicionais para permitir que ela produza o subconjunto mínimo para atender às restrições específicas do pagador, garantindo ao mesmo tempo uma interpretação precisa para atendimento ao paciente e casos de uso de pesquisa. Na verdade, à medida que os pagadores aumentam o uso da IA para desenvolver os seus requisitos de aprovação de sinistros e pedidos de autorização prévia, eles também querem uma codificação mais específica para aprovação de sinistros.
A recente onda de adoção da IA no fluxo de trabalho clínico fora do faturamento está exacerbando essa lacuna. Os aplicativos que automatizam o processo de documentação clínica gerarão conjuntos de códigos sem contexto longitudinal a partir do histórico médico estabelecido do paciente, resultando em resultados que podem não corresponder à complexidade real do paciente. Ao tentar automatizar a codificação usando diferentes aplicações sem um contexto compartilhado dentro da empresa de saúde, a IA apresentará conclusões conflitantes e potencialmente compartilhará informações errôneas com o ecossistema de saúde mais amplo.
Hoje, contamos com definições localizadas de qualidade e precisão, moldadas pelas diretrizes atuais de codificação manual do fornecedor, fluxos de trabalho individuais e práticas históricas. O resultado é previsível: subjetivismo. Acordo de precisão entre codificadores gira em torno de 50%mesmo entre programadores experientes e totalmente certificados. Neste ambiente, a interoperabilidade por si só não pode garantir o alinhamento.
O que é necessário é um nível acima da interoperabilidade, um quadro objectivo para o contexto e a qualidade que estabeleça um entendimento partilhado. Esta estrutura não elimina a variação; normaliza-o, criando um resultado consistente e confiável em casos de uso clínicos, operacionais e financeiros.
Além disso, a estrutura deve ser administrada uniformemente. Atuando como um mecanismo de conformidade, essa camada garante que os códigos não sejam apenas tecnicamente corretos, mas também adequados para casos de uso clínicos, financeiros e analíticos. Quando esse padrão é atendido, os códigos tornam-se mais do que artefatos de cobrança; eles se tornam uma representação confiável da história do paciente e um ponto de entrada consistente no registro clínico mais amplo, independentemente da origem dos dados. Com o tempo, isso reduz o atrito no sistema, incluindo auditorias, negações que eventualmente são revertidas e o ônus da autorização prévia.
Estamos começando a ver movimento na pilha. As plataformas de documentação incorporam diretrizes, os mecanismos de conhecimento abordam o fluxo de trabalho e os sistemas começam a gerar automaticamente o código apropriado. Sem um quadro objectivo que regule a forma como o contexto é interpretado e a qualidade medida, no entanto, estes avanços correm o risco de exasperar a fragmentação em vez de a resolver.
A oportunidade e a responsabilidade consistem em alinhar estas camadas através de uma definição comum de qualidade e precisão. Assim como a capacidade de tradução entre idiomas da Rosetta Stone, a indústria precisa de uma estrutura que possa traduzir nuances clínicas em uma representação consistente e confiável entre sistemas e casos de uso.
Quando isso acontece, a interoperabilidade torna-se mais do que apenas troca de dados; ocorre o alinhamento. Mais dados e canais mais rápidos não resolverão esse problema sozinhos. Sem uma estrutura objetiva de contexto, qualidade e relevância, continuaremos a transmitir informações de forma mais eficaz, enquanto detalhes críticos vazam na tradução e sem chegar a acordo sobre o que são.
Esta é a próxima mudança que os cuidados de saúde necessitam: um entendimento partilhado baseado numa precisão objectiva e compatível.
Foto: eichinger julien, Getty Images
Hamid Tabatabaye atua como CEO e Presidente da CodaMetrix. Está na vanguarda da inovação em informática médica há mais de 30 anos. Sua visão, experiência e perspicácia ajudaram a lançar e desenvolver uma série de startups de tecnologia de saúde bem-sucedidas. Antes de ingressar na empresa, ele foi o fundador e atuou como CEO do lifeIMAGE, o serviço de troca de informações de diagnóstico por imagem baseado em nuvem mais utilizado. Antes disso, ele foi o primeiro CEO da AMICAS e levou a empresa de conceito a líder em gestão de imagem em quatro anos. Ele iniciou sua carreira empreendedora em 1993 como fundador e CEO da Systems Concepts (SCA), uma empresa de consultoria de implementação de HIT em rápido crescimento.
Hamid foi reconhecido como Top Healthcare Innovator pelo Boston Business Journal e nomeado entre os principais CEOs de tecnologia de saúde a serem observados pela Forbes, refletindo sua influência contínua na evolução da tecnologia de saúde. Atualmente, ele atua como membro do conselho e consultor de diversas startups de tecnologia e organizações sem fins lucrativos.
Esta postagem aparece em Influenciadores da MedCity programa. Qualquer pessoa pode publicar sua perspectiva sobre inovação em negócios e saúde no MedCity News por meio de Influenciadores do MedCity. Clique aqui para saber como.
