Національні інститути охорони здоров’я (NIH) планують запустити програму на мільйони доларів цього осені, яка використовує штучний інтелект (ШІ) для змін у способах аналізу медичних зображень у лікарнях.
Ініціатива, що отримала назву PRIMED-AI, спрямована на інтеграцію радіології, патології, кардіології та інших областей зображення в єдину систему, з метою підвищення точності в медицині. Для дослідників, медичних працівників і страховиків ця програма стане важливим тестом, чи зможе ШІ не лише покращити якість медичного обслуговування, але й створити нові моделі відшкодування, які б співвідносили витрати з результатами.
Зв’язок точнішої медицини з оплатою на основі результатів
Наголос NIH на інтеграції різних методів свідчить про перехід до медичної допомоги, зосередженої на результатах. Поєднуючи зображення з лабораторними звітами, патологічними слайдами та даними кардіології, PRIMED-AI має на меті створити моделі, які можуть більш точно прогнозувати розвиток захворювання та відповідь на лікування.
Цей підхід відповідає моделям оплати на основі результатів, де медичні працівники отримують винагороду за поліпшення результатів, а не за кожну надану послугу. Для постачальників ШІ демонстрація вимірювальних поліпшень у здоров’ї пацієнтів стане ключовою для отримання схвалення з боку страховиків.
Однак перехід до цих нововведень відбувається нерівномірно. Багато постачальників все ще повільно адаптують інновації до моделі відшкодування, незважаючи на те, що телемедицина та інші цифрові моделі медичного обслуговування змушують їх модернізувати свої процеси обліку. Навіть із тим, що лікарні інвестують у віртуальне обслуговування, діагностику та автоматизацію, багато платіжних структур застарівають.
Дизайн програми NIH також визнає наявність пробілів у доказовій базі. Оголошення про фінансування включає в себе центри валідації та “посібники”, які покликані встановити стандарти даних та орієнтири для відтворюваності. Ці ініціативи можуть створити зрозуміліший шлях для Medicare, Medicaid та приватних страховиків для оцінки інструментів ШІ.
Якщо PRIMED-AI буде успішним, це може стати каталізатором для ширших реформ у сфері оплати, впроваджуючи ШІ більш безпосередньо в моделі відшкодування, основані на результатах. Вже 83% малих медичних закладів повідомляють, що впроваджують миттєві виплати, щоб зменшити неефективність у своїй фінансовій діяльності. Ця тенденція підкреслює загальне прагнення до цифровізації медичних платежів поряд із клінічними інноваціями.
ШІ, відповідність та заявки
Відшкодування медичних послуг за допомогою ШІ залишається фрагментованим. Сучасні моделі часто базуються на кодах CPT, групах згідно з діагнозом та обмежених доплатах за нові технології. Ці механізми можуть покривати інструменти ШІ, схвалені FDA, однак більшість із них відшкодовуються за принципом “за використанням”, що не враховує ширших ефективностей, які може забезпечити ШІ.
Цей пробіл є особливо актуальним, оскільки NIH інвестує у валідаційні центри і промислові партнерства для прискорення готовності до регуляторної відповідності. Без чітких шляхів відшкодування лікарні та системи охорони здоров’я можуть зіткнутися зі складнощами у виправданні попередніх витрат на впровадження платформ для зображення на основі ШІ.
Невизначеність у відшкодуванні безпосередньо пов’язана з більшими темами в галузі. Постачальники стикаються з зростаючими витратами та затримками у виплатах, а пацієнти відзначають зростаюче незадоволення рахунками та стягненням платежів. Фахівці охорони здоров’я під тиском модернізують свої платіжні системи в умовах зростаючого попиту пацієнтів на прозорі та цифрові рішення. Ініціатива NIH із ШІ додає новий аспект до цієї проблеми: політики відшкодування повинні еволюціонувати, щоб підтримувати розвинену аналітику, забезпечуючи рівний доступ пацієнтів.
Окрім питань відшкодування, впровадження ШІ у сфері зображення порушує питання дотримання норм і можливості шахрайства. Великі набори даних, що містять зображення та медичні записи пацієнтів, повинні регулюватися з обережністю для дотримання стандартів HIPAA та інших регуляторних норм. NIH підкреслює пріоритети пом’якшення помилок та побудови довіри.
Ця конвергенція ШІ, відповідності та платежів вже помітна. Дослідження показали, що Міністерство юстиції відзначило такі інструменти ШІ у рамках історичної боротьби з шахрайством у медичній сфері, підкреслюючи як ризики, так і можливості впровадження машинного навчання у моніторинг заявок.
Зменшуючи рівень помилок і стандартизуючи потоки даних, ШІ може допомогти страховикам і постачальникам зменшити витрати та прискорити процеси відшкодування. Крос-дисциплінарний підхід PRIMED-AI може закласти основу для інтеграції цих уроків у складну екосистему медичних заявок.
