AI จะเข้ามาแทนที่นักเขียนรหัสทางการแพทย์หรือไม่? [วิดีโอและแบบทดสอบ]

คำตอบสั้นๆ คือ
AI จะไม่เข้ามาแทนที่ผู้เชี่ยวชาญด้านการเข้ารหัสทางการแพทย์ทั้งหมด แต่จะเปลี่ยนวิธีการทำงาน เมื่อการบันทึกข้อมูลเป็นไปตามปกติและมีโครงสร้าง AI สามารถช่วยแบ่งเบาภาระงานที่ซ้ำซากได้ แต่เมื่อกรณีซับซ้อน มีข้อโต้แย้ง หรือมีการตรวจสอบ การตัดสินใจของมนุษย์ยังคงเป็นสิ่งสำคัญ บทบาทจะเปลี่ยนไปก่อนที่จำนวนบุคลากรจะหายไป

ประเด็นสำคัญ:

การทำงานอัตโนมัติ: AI เข้ามาช่วยทำงานเขียนโค้ดซ้ำซาก ทำให้มีพื้นที่ว่างสำหรับการตรวจสอบที่ต้องใช้ดุลยพินิจสูง และการจัดการข้อผิดพลาด

ความรับผิดชอบของมนุษย์: ผู้เขียนโปรแกรมยังคงเป็นผู้รับผิดชอบเมื่อเกิดการตรวจสอบ การอุทธรณ์ การปฏิเสธ หรือข้อสงสัยเกี่ยวกับการปฏิบัติตามกฎระเบียบ

วิวัฒนาการของบทบาท: บทบาทด้านการเขียนโค้ดมีแนวโน้มไปสู่การตรวจสอบ การวิเคราะห์ข้อมูลทางคลินิก การจัดการการปฏิเสธ การตีความนโยบาย และการกำกับดูแล

การจัดการความเสี่ยง: การเขียนโค้ดที่รวดเร็วอาจเพิ่มความเสี่ยงด้านการปฏิบัติตามกฎระเบียบ หากความเร็วในการเขียนโค้ดนั้นเร็วกว่าการกำกับดูแลและการตรวจสอบโดยมนุษย์

ความสามารถในการปรับตัวในอาชีพ: ความเชี่ยวชาญด้านแนวทางปฏิบัติ ความเข้าใจในนโยบายของผู้จ่ายเงิน และความแข็งแกร่งด้านการตรวจสอบ ยังคงเป็นทักษะที่สำคัญและเป็นที่ต้องการสูงอย่างต่อเนื่อง

AI จะเข้ามาแทนที่นักเขียนรหัสทางการแพทย์หรือไม่? คำว่า “แทนที่” ในทางปฏิบัติหมายความว่าอย่างไร 🤔

เมื่อมีคนถามว่า “ปัญญาประดิษฐ์จะเข้ามาแทนที่ผู้เขียนรหัสทางการแพทย์หรือไม่?” โดยปกติแล้วพวกเขาหมายถึงคำถามข้อใดข้อหนึ่งต่อไปนี้:

• ลดจำนวนพนักงาน - จำนวนโปรแกรมเมอร์ที่ต้องการโดยรวมลดลง

• เปลี่ยนงาน - ลักษณะงานเปลี่ยนไป แต่โปรแกรมเมอร์ยังคงอยู่

• แทนที่ความรับผิดชอบ ด้วย AI ที่ตัดสินใจขั้นสุดท้าย และมนุษย์เพียงแค่เฝ้าดู

• เปลี่ยนตำแหน่งงานระดับเริ่มต้น - กระบวนการทำงานจะเปลี่ยนแปลงก่อน 😬

จากประสบการณ์ของผมในการสังเกตทีมต่างๆ นำระบบอัตโนมัติมาใช้ การเปลี่ยนแปลงที่สำคัญที่สุดนั้นไม่ใช่การที่ “โปรแกรมเมอร์หายไป” แต่เป็นในลักษณะที่ว่า: การเขียนโค้ดแบบเดิม ๆ เร็วขึ้น กรณีพิเศษต่างๆ กลายเป็นเรื่องสำคัญมากขึ้น และ การตรวจสอบกลายเป็นเหมือนเงาตามติดทุกคนตลอดเวลา ( OIG – แนวทางปฏิบัติทั่วไปของโครงการปฏิบัติตามกฎระเบียบ )

AI เก่งเรื่องการทำซ้ำ การเขียนโค้ดไม่ใช่แค่การทำซ้ำ การเขียนโค้ดคือการทำซ้ำ บวกกับการตัดสินใจ บวกกับการปฏิบัติตามกฎ บวกกับความแปลกประหลาดของผู้จ่ายเงิน บวกกับการไขปริศนาว่า "ทำไมสิ่งนี้ถึงอยู่ในบันทึก" 🕵️♀️

ใช่แล้ว AI สามารถทดแทนงานบางส่วนได้ แต่การทดแทนอาชีพนั้นโดยสิ้นเชิงเป็นอีกเรื่องหนึ่ง.

อะไรคือคุณสมบัติของ AI สำหรับการเข้ารหัสทางการแพทย์ที่ดี? ✅

หากเราพูดถึง “AI เวอร์ชันที่ดี” สำหรับการเข้ารหัสทางการแพทย์ มันไม่ใช่เวอร์ชันที่มีการตลาดฉูดฉาดที่สุด แต่เป็นเวอร์ชันที่ทำงานได้เหมือนเพื่อนร่วมงานที่ดี ไม่ตื่นตระหนก ไม่หลงผิด และแสดงขั้นตอนการทำงานอย่างชัดเจน (NIST AI RMF 1.0, NIST Generative AI Profile (AI 600-1))

ระบบการเขียนโค้ด AI ที่ดี (หรือขั้นตอนการทำงาน) มักมีคุณสมบัติดังนี้:

• ระบบ NLP ทางคลินิกที่มีประสิทธิภาพสูง สามารถจัดการกับบันทึกที่ไม่เป็นระเบียบ (การบอกเล่าด้วยเสียง เทมเพลต การคัดลอกวางที่ยุ่งเหยิง 🍝)

• ข้อเสนอแนะเกี่ยวกับโค้ดพร้อมเหตุผล (ไม่ใช่แค่โค้ด แต่ต้องบอกด้วยว่าทำไม)

• การให้คะแนนความมั่นใจ ด้วยเกณฑ์ที่คุณสามารถปรับแต่งได้

• บันทึกการตรวจสอบ เพื่อการปฏิบัติตามข้อกำหนดและการตอบสนองของผู้จ่ายเงิน (CMS MLN909160 – ข้อกำหนดด้านเอกสารเวชระเบียน)

• การปรับกฎและแนวทางให้สอดคล้องกัน (ICD-10-CM, CPT, HCPCS, การแก้ไข NCCI, นโยบายของผู้จ่ายเงิน… ครบทุกอย่างเลย 🎪) (แนวทางการกำหนดรหัส ICD-10-CM ปีงบประมาณ 2026 ของ CMS, การแก้ไข NCCI ของ CMS)

• การควบคุมโดยมนุษย์ ช่วยให้นักเขียนโค้ดสามารถยอมรับ แก้ไข หรือปฏิเสธได้ (NIST AI RMF 1.0)

• การบูรณาการที่ไม่ทำให้กิจวัตรประจำวันของทุกคนยุ่งยาก (EHR, ตัวเข้ารหัส, CAC, ระบบเรียกเก็บเงิน)

หากเครื่องมือไม่สามารถอธิบายตัวเองได้ มันก็ไม่ได้ทดแทนสิ่งใดได้อย่างปลอดภัย มันแค่สร้างความวิตกกังวลได้เร็วขึ้นเท่านั้น (มาตรฐาน AI Generative Profile ของ NIST (AI 600-1))

ตารางเปรียบเทียบ: ตัวเลือกการเขียนโค้ดด้วย AI ที่ดีที่สุด (และเหมาะสมกับการใช้งานในด้านใดบ้าง) 📊

ด้านล่างนี้คือตารางเปรียบเทียบเชิงปฏิบัติของวิธีการเขียนโค้ดโดยใช้ AI ช่วยเหลือที่ใช้กันทั่วไป มันอาจจะไม่สมบูรณ์แบบ...เพราะการนำไปใช้งานจริงก็ไม่ได้สมบูรณ์แบบเช่นกัน.

สังเกตเห็นรูปแบบไหม? ยิ่งพยายามทำให้เป็นระบบ "ไร้สัมผัส" มากเท่าไหร่ ก็ยิ่งต้องมีการกำกับดูแลมากขึ้นเท่านั้น เพื่อหลีกเลี่ยงปัญหาการปฏิบัติตามกฎระเบียบที่ล่าช้า น่าขบขันเสียจริง (OIG – แนวทางทั่วไปของโครงการปฏิบัติตามกฎระเบียบ)

เหตุผลที่ AI เก่งจริง ๆ ในบางส่วนของการเขียนโค้ด 😎

เราต้องให้เครดิต AI ในส่วนที่ดีของมัน มีหลายด้านที่ AI มีความแข็งแกร่งอย่างแท้จริง:

1) การจดจำรูปแบบในระดับขนาดใหญ่

งานที่มีปริมาณมาก ทำซ้ำได้ และมีการบันทึกข้อมูลอย่างสม่ำเสมอ? AI มักจะทำได้ดีเยี่ยมในประเด็นเหล่านี้:

• การกำหนดรหัสวินิจฉัยโรคตามปกติสำหรับโรคทั่วไป

• ขั้นตอนการเขียนโค้ดที่ตรงไปตรงมาเมื่อเอกสารประกอบมีความชัดเจน

• ค้นหาหลักฐานสนับสนุนอย่างรวดเร็ว (ผลตรวจทางห้องปฏิบัติการ ภาพถ่ายทางการแพทย์ รายการปัญหา)

2) เร่งความเร็วในการ "ล่า"

แม้แต่นักเขียนโค้ดมืออาชีพก็ยังต้องเสียเวลาค้นหา:

• ใบแจ้งยอดจากผู้ให้บริการอยู่ที่ไหน

• ความเฉพาะเจาะจงอยู่ที่ไหน

• อะไรบ้างที่สนับสนุนความจำเป็นทางการแพทย์

• ความถนัดซ้ายขวาอยู่ไหนวะเนี่ย 😩

AI สามารถแสดงบรรทัดที่เกี่ยวข้อง ระบุรายละเอียดที่ขาดหายไป และลดความเมื่อยล้าจากการเลื่อนหน้าจอได้ แม้จะดูไม่หรูหรา แต่ก็ช่วยเพิ่มประสิทธิภาพการทำงานได้อย่างแท้จริง.

3) รูปแบบการป้องกันการปฏิเสธ

ปัญญาประดิษฐ์สามารถเรียนรู้รูปแบบต่างๆ เช่น:

• สาเหตุทั่วไปที่ทำให้ผู้จ่ายเงินปฏิเสธการจ่ายเงิน

• ช่องว่างด้านเอกสารที่เกี่ยวข้องกับบริการบางประเภท

• ตัวแก้ไขที่มักถูกปฏิเสธหากไม่มีการสนับสนุนเพิ่มเติม (CMS MLN909160 – ข้อกำหนดด้านเอกสารเวชระเบียน, โปรแกรม CMS CERT)

โปรแกรมเมอร์คิดเรื่องนี้อยู่แล้วในใจ AI แค่ทำมันอย่างเสียงดังและเร็วกว่าเท่านั้นเอง.

ทำไม AI ถึงทำงานได้ไม่ดีในส่วนที่โปรแกรมเมอร์ได้รับค่าจ้างให้จัดการ 😬

ทีนี้มาดูอีกด้านหนึ่งกันบ้าง ส่วนที่ทำให้ระบบอัตโนมัติล้มเหลว มักจะเป็นส่วนเดียวกันกับที่แยก "การป้อนโค้ด" ออกจาก "การเขียนโค้ด"

ความคลุมเครือทางคลินิกและทัศนคติของแพทย์

ผู้ให้บริการมักเขียนข้อความประมาณนี้:

• “มีแนวโน้ม” “ตัดออก” “ต้องสงสัย” “ไม่สามารถตัดออกได้”

• “ประวัติของ” “สถานะโพสต์” “แก้ไขแล้ว” “เรื้อรังแต่ทรงตัว”

• “น่าจะเป็นปอดอักเสบ แต่ก็อาจเป็นภาวะหัวใจล้มเหลวได้เช่นกัน”

AI อาจตีความความไม่แน่นอนผิดพลาดและเปลี่ยนให้กลายเป็นความแน่นอนได้ นั่นไม่ใช่ความผิดพลาดที่น่ารักเลย.

ความแตกต่างเล็กน้อยของแนวทางปฏิบัติ (และความสับสนวุ่นวายของนโยบายผู้จ่ายเงิน)

การเข้ารหัสทางการแพทย์ไม่ได้หมายความแค่ "สิ่งที่เกิดขึ้นทางคลินิก" เท่านั้น แต่ยังรวมถึง:

• การตีความแนวทางปฏิบัติ

• ตรรกะการจัดลำดับ

• กฎการรวมกลุ่ม

• ข้อกำหนดเฉพาะของผู้จ่ายเงิน

• ตรรกะความจำเป็นทางการแพทย์

• ข้อจำกัดเฉพาะพื้นที่ (แนวทางการกำหนดรหัส ICD-10-CM ปีงบประมาณ 2026 ของ CMS, การแก้ไข NCCI ของ CMS)

AI สามารถเรียนรู้รูปแบบได้แน่นอน แต่เมื่อผู้จ่ายเงินเปลี่ยนกฎ มนุษย์จะปรับตัวด้วยความตั้งใจ ในขณะที่ AI ปรับตัวด้วยความสับสนและความมั่นใจ ซึ่งเป็นส่วนผสมที่ไม่ดี.

ปัญหา “ประโยคหายไปหนึ่งประโยค”

บรรทัดเดียวอาจส่งผลต่อการเลือกโค้ด DRG การประเมินความเสี่ยง HCC หรือระดับ E/M ได้ AI อาจมองข้ามไป หรือแย่กว่านั้นคืออาจอนุมานเอาเอง และการอนุมานในการเขียนโค้ดนั้นเหมือนกับการสร้างสะพานจากเยลลี่ ดูดีจนกว่าคุณจะเหยียบมัน.

แล้ว… AI จะเข้ามาแทนที่นักเขียนรหัสทางการแพทย์หรือไม่? ผลลัพธ์ที่เป็นไปได้มากที่สุด 🧩

กลับมาที่คำถามหลัก: AI จะเข้ามาแทนที่นักเขียนรหัสทางการแพทย์หรือไม่?
คำตอบที่สมเหตุสมผลที่สุดของผมคือ: AI จะเข้ามาแทนที่งานบางส่วนก่อน จากนั้นจึงปรับเปลี่ยนบทบาท และจะลดจำนวนพนักงานก็ต่อเมื่อองค์กรเลือกที่จะไม่นำเวลาที่ประหยัดได้ไปลงทุนใหม่

คำแปล:

• บางองค์กรจะนำ AI มาใช้เพื่อ เพิ่มประสิทธิภาพการทำงาน โดยไม่ต้องปลดพนักงาน

• บางคนจะใช้มันเพื่อ ลดต้นทุน (และค่อยรับมือกับผลกระทบที่ตามมาในภายหลัง)

• บางที่อาจจะผสมผสานกัน ขึ้นอยู่กับสายการให้บริการ

แต่สิ่งที่หลายคนมองข้ามไปคือ หาก AI ช่วยเพิ่มความเร็ว มันก็อาจเพิ่มความเสี่ยงได้เช่นกัน และความเสี่ยงนั้นเองที่ผลักดันให้เกิดความต้องการในด้านต่างๆ ดังนี้:

• ผู้ตรวจสอบบัญชี

• ผู้ตรวจสอบการปฏิบัติตามกฎระเบียบ

• นักการศึกษาด้านการเขียนโค้ด

• ผู้เชี่ยวชาญด้านการจัดการการปฏิเสธ

• ผู้เชี่ยวชาญด้าน CDI และการจัดการแบบสอบถาม

• บทบาทด้านการกำกับดูแลคุณภาพข้อมูล (OIG – แนวทางการปฏิบัติตามกฎระเบียบทั่วไป, โครงการ CMS CERT)

ดังนั้น การเปลี่ยนทดแทนจึงไม่ใช่เส้นตรง มันเหมือนกับการวิ่งบนลู่วิ่งในรองเท้าแตะมากกว่า มีความคืบหน้า...แต่ก็ค่อนข้างไม่มั่นคง 😅

อะไรเปลี่ยนแปลงก่อนกัน: ผู้ป่วยใน ผู้ป่วยนอก และผู้ป่วยมืออาชีพ 🏥

งานเขียนโค้ดไม่ได้ได้รับผลกระทบเท่ากันทั้งหมด บางส่วนสามารถใช้ระบบอัตโนมัติได้ง่ายกว่า เนื่องจากเอกสารและกฎเกณฑ์มีโครงสร้างที่ชัดเจนกว่า.

ผู้ป่วยนอกและผู้เชี่ยวชาญ

มักเห็นการทำงานอัตโนมัติที่รวดเร็วกว่าเนื่องจาก:

• ปริมาณสูง

• แม่แบบที่ทำซ้ำได้

• ฟีดข้อมูลที่มีโครงสร้างมากขึ้น

• การแก้ไขตามกฎเกณฑ์และการแจ้งเตือนจาก AI ทำได้ง่ายขึ้น (การแก้ไข CMS NCCI)

แต่ความซับซ้อนของการจัดระดับ E/M การตัดสินใจทางการแพทย์ และการตรวจสอบจากผู้จ่ายเงินยังคงทำให้มนุษย์มีบทบาทสำคัญมาก (CMS MLN006764 – บริการประเมินและจัดการ)

ผู้ป่วยใน

การกำหนดรหัสผู้ป่วยในมีความหลากหลายอย่างมาก:

• การพักรักษาตัวเป็นเวลานานพร้อมกับการวินิจฉัยโรคหลายอย่าง

• ภาวะแทรกซ้อน โรคร่วม ขั้นตอนการรักษา

• ผลกระทบของ DRG และความแตกต่างเล็กน้อยในลำดับการเกิดโรค

• ความผิดปกติในการบันทึกข้อมูลอย่างต่อเนื่อง (แนวทางการกำหนดรหัส ICD-10-CM ปีงบประมาณ 2026 ของ CMS)

AI สามารถช่วยได้ แต่ "การดูแลผู้ป่วยในแบบไร้สัมผัส" มักจะเป็นเพียงความฝันมากกว่าความเป็นจริงสำหรับโรงพยาบาลหลายแห่ง.

เลนพิเศษ

แผนกรังสีวิทยาและพยาธิวิทยาจะได้รับประโยชน์อย่างมากจากการรายงานที่เป็นระบบ ส่วนแผนกฉุกเฉินอาจมีความแตกต่างกันไป คือ บันทึกรวดเร็วตามแบบแผน แต่ในความเป็นจริงอาจไม่เป็นระเบียบเรียบร้อย.

สมรภูมิที่ซ่อนเร้น: การปฏิบัติตามกฎระเบียบ การตรวจสอบ และความรับผิดชอบ 🧾

ตรงนี้แหละที่คำว่า “แทนที่” เริ่มไม่น่าเชื่อถือ.

แม้ว่า AI จะแนะนำรหัสต่างๆ แต่ความรับผิดชอบก็ยังคงตกอยู่ที่หน่วยงานใดหน่วยงานหนึ่งอยู่ดี:

• สิ่งอำนวยความสะดวก

• ผู้ให้บริการด้านการเรียกเก็บเงิน

• โปรแกรมเมอร์ที่คลิก “ยอมรับ”

• ผู้จัดการที่กำหนดเกณฑ์ต่างๆ

• ผู้ขายที่บอกว่าข้อมูลนั้นถูกต้อง (ฮา) (OIG – แนวทางปฏิบัติทั่วไปของโครงการปฏิบัติตามกฎระเบียบ)

โดยปกติแล้ว ทีมงานด้านการปฏิบัติตามกฎระเบียบมักต้องการ:

• การตรวจสอบย้อนกลับ

• เหตุผลในการเขียนโค้ดที่สมเหตุสมผล

• การประยุกต์ใช้แนวทางที่สอดคล้องกัน

• เอกสารที่พร้อมสำหรับการตรวจสอบ (CMS MLN909160 – ข้อกำหนดด้านเอกสารเวชระเบียน)

AI สามารถช่วยสนับสนุนเรื่องนี้ได้ แต่ก็ต่อเมื่อกระบวนการทำงานถูกออกแบบมาเพื่อรักษาหลักฐานและลดการยอมรับโดยไม่ไตร่ตรอง (NIST AI RMF 1.0)

พูดกันตรงๆ เลยนะครับ ถ้าเวิร์กโฟลว์ AI ของคุณส่งเสริมการอนุมัติแบบลวกๆ คุณไม่ได้ประหยัดเงิน แต่คุณกำลังยืมปัญหาเข้ามาต่างหาก พร้อมดอกเบี้ยด้วย 😬 (GAO-19-277, โครงการ CMS CERT)

วิธีรักษาคุณค่าของตนเอง: ทักษะการเขียนโค้ดที่ “ทนทานต่อ AI” 💪🧠

หากคุณเป็นนักเขียนรหัสทางการแพทย์ที่กำลังอ่านข้อความนี้ด้วยความรู้สึกกังวลใจ นี่คือข่าวดี: คุณสามารถเตรียมตัวให้พร้อมสำหรับส่วนงานที่ AI ไม่สามารถทำได้อย่างปลอดภัย.

ทักษะที่ยังคงใช้ได้ดีแม้ในสภาพแวดล้อมที่ใช้ AI มาก:

• การตรวจสอบและการทบทวนคุณภาพ (การค้นหาสิ่งที่ผิดพลาด ไม่ใช่แค่สิ่งที่ทำได้เร็ว) (OIG – แนวทางปฏิบัติทั่วไปของโครงการปฏิบัติตามกฎระเบียบ)

• การตีความแนวทาง (และการอธิบายอย่างชัดเจน) (แนวทางการกำหนดรหัส ICD-10-CM ปีงบประมาณ 2026 ของ CMS)

• การทำความเข้าใจนโยบายของผู้จ่ายเงิน (เพราะนโยบายนั้น...ค่อนข้างซับซ้อน 🌶️)

• กลยุทธ์การทำงานร่วมกันและการสอบถามของ CDI

• การวิเคราะห์สาเหตุหลักของการปฏิเสธ (CMS MLN909160 – ข้อกำหนดด้านเอกสารเวชระเบียน, โปรแกรม CMS CERT)

• ความรู้ความเข้าใจเกี่ยวกับการปรับความเสี่ยง (ตรรกะ HCC, ความถูกต้องของเอกสาร) (การปรับความเสี่ยงของ CMS)

• ความเชี่ยวชาญเฉพาะด้าน (ศัลยกรรมกระดูกและข้อ, โรคหัวใจ, ระบบประสาท, มะเร็งวิทยา ฯลฯ)

• การกำกับดูแล AI - ช่วยกำหนดเกณฑ์ หมวดหมู่ข้อผิดพลาด และวงจรป้อนกลับ (NIST AI RMF 1.0)

ถ้า AI เปรียบเสมือนเครื่องคิดเลข คุณจะไม่ล้าสมัยเพียงเพราะคุณคำนวณคณิตศาสตร์ได้ดีกว่า แต่คุณจะมีคุณค่ามากขึ้นหากคุณรู้ว่าเมื่อใดที่เครื่องคิดเลขคำนวณผิด และเพราะเหตุใด.

องค์กรควรนำ AI มาใช้โดยไม่ทำให้ทุกคนเดือดร้อนได้อย่างไร 😵💫

หากคุณอยู่ในฝั่งผู้นำ นี่คือรูปแบบการนำไปใช้ที่ผมเห็นว่าได้ผลดีที่สุด:

1) เริ่มต้นด้วยคำว่า “ช่วยเหลือ” ไม่ใช่ “แทนที่”

ใช้ AI สำหรับ:

• การจัดลำดับความสำคัญของแผนภูมิ

• หลักฐานเริ่มปรากฏ

• คำแนะนำโค้ดพร้อมคะแนนความมั่นใจ

• การกำหนดเส้นทางเวิร์กโฟลว์ตามความซับซ้อน

2) สร้างระบบการรับฟังความคิดเห็นอย่างจริงจัง

หากโปรแกรมเมอร์แก้ไขผลลัพธ์จาก AI ให้บันทึกการแก้ไขนั้นไว้:

• ข้อผิดพลาดประเภทใด

• เหตุใดจึงเกิดขึ้น

• เอกสารใดที่เป็นต้นเหตุของเรื่องนี้

• มันเกิดขึ้นซ้ำบ่อยแค่ไหน

มิเช่นนั้นเครื่องมือนี้ก็จะไม่ได้รับการพัฒนา และทุกคนก็จะเก่งขึ้นในการเพิกเฉยต่อมัน.

3) แบ่งงานตามระดับความซับซ้อน

ขั้นตอนการทำงานที่เป็นรูปธรรม:

• ความซับซ้อนต่ำ - ระบบอัตโนมัติมากขึ้น

• ความซับซ้อนระดับปานกลาง - เวิร์กโฟลว์การทำงานร่วมกันระหว่างโปรแกรมเมอร์และ AI

• มีความซับซ้อนสูง - ต้องใช้โปรแกรมเมอร์ผู้เชี่ยวชาญเป็นอันดับแรก ตามด้วย AI (ใช่แล้ว อันดับสอง)

4) วัดผลลัพธ์ที่ถูกต้อง

ไม่ใช่แค่เรื่องประสิทธิภาพการทำงานเท่านั้น แต่ยังรวมถึง:

• อัตราการปฏิเสธ

• ผลการตรวจสอบ

• อัตราการพลิกคว่ำ

• ปริมาณการสอบถามและคุณภาพการตอบกลับ

• ความพึงพอใจของผู้เขียนโค้ด (อย่างจริงจัง) (โครงการ CMS CERT)

ถ้าผลผลิตเพิ่มขึ้นและการปฏิเสธคำขอเพิ่มขึ้นด้วย…นั่นไม่ใช่ชัยชนะ นั่นเป็นเพียงปัญหาที่ดูน่าสนใจเท่านั้น.

อนาคตจะเป็นอย่างไร (โดยไม่ใช้ฉากไซไฟดราม่า) 🔮

อย่าแสร้งทำเป็นว่าไม่มีอะไรเปลี่ยนแปลง มันจะเปลี่ยนแปลงแน่นอน แต่เรื่องเล่าที่ว่า "จุดจบของโปรแกรมเมอร์" นั้นง่ายเกินไป.

มีความเป็นไปได้มากกว่า:

• ตำแหน่งงานที่เน้นการเขียนโค้ดโดยตรงมีจำนวนน้อยลง

• บทบาทแบบผสมผสานมากขึ้น (การเขียนโค้ด + การตรวจสอบ + การวิเคราะห์ + การปฏิบัติตามกฎระเบียบ)

• ทีมเขียนโค้ดกลายเป็นทีมตรวจสอบคุณภาพข้อมูล

• ความถูกต้องของเอกสารกลายเป็นเรื่องสำคัญยิ่งขึ้น

• ปัญญาประดิษฐ์ (AI) จะกลายเป็นเพื่อนร่วมงานที่ คุณต้องดูแลโดยอัตโนมัติ ไม่ว่าคุณจะชอบหรือไม่ก็ตาม (NIST AI RMF 1.0, OIG – General Compliance Program Guidance)

ใช่แล้ว งานบางอย่างจะลดลงในบางสถานการณ์ นั่นเป็นเรื่องจริง แต่ระบบสาธารณสุขนั้นชื่นชอบกฎระเบียบ ความผันผวน ข้อยกเว้น และเอกสารต่างๆ AI สามารถจัดการได้หลายอย่าง... แต่ระบบสาธารณสุขมีความสามารถพิเศษในการสร้างความซับซ้อนใหม่ๆ ราวกับเป็นงานอดิเรก.

การลงจอดเครื่องบิน: AI จะเข้ามาแทนที่นักเขียนรหัสทางการแพทย์หรือไม่? 🧡

เรามาลงจอดเครื่องบินลำนี้กันเถอะ.

AI จะเข้ามาแทนที่นักเขียนรหัสทางการแพทย์หรือไม่? ไม่ใช่ในแบบที่ทุกคนเข้าใจกันในนิยายวิทยาศาสตร์ AI จะช่วยลดงานที่ซ้ำซากจำเจ เร่งกระบวนการเขียนรหัส และสร้างแรงกดดันให้องค์กรต้องปรับโครงสร้างทีมใหม่ นอกจากนี้ยังจะสร้างความต้องการด้านการกำกับดูแล การตรวจสอบ การป้องกันการละเมิดกฎระเบียบ กลยุทธ์การปฏิเสธการจ่ายเงิน และงานด้านความถูกต้องของเอกสารมากขึ้นด้วย (AHIMA – Computer-Assisted Coding Toolkit, OIG – General Compliance Program Guidance)

สรุปโดยย่อ 🧾

• AI จะเข้ามาแทนที่ งานเขียนโค้ดบางส่วน มากกว่าที่จะเข้ามาแทนที่โปรแกรมเมอร์

• การเขียนโค้ดแบบ "ไม่ต้องสัมผัส" เหมาะที่สุดสำหรับกรณีที่แคบ สะอาด และซ้ำซาก (AHIMA – ชุดเครื่องมือช่วยเขียนโค้ดด้วยคอมพิวเตอร์)

• การเข้ารหัสที่ซับซ้อนยังคงต้องการการตัดสินใจและความรับผิดชอบจากมนุษย์ (แนวทางการเข้ารหัส ICD-10-CM ปีงบประมาณ 2026 ของ CMS, ข้อกำหนดด้านเอกสารเวชระเบียน CMS MLN909160)

• แนวทางที่ปลอดภัยที่สุดคือการมีมนุษย์เข้ามาเกี่ยวข้องในกระบวนการทำงาน พร้อมด้วยระบบตรวจสอบที่เข้มงวด (NIST AI RMF 1.0)

• ผู้เขียนโปรแกรมที่พัฒนาทักษะด้านการตรวจสอบ การปฏิบัติตามกฎระเบียบ CDI นโยบายของผู้จ่ายเงิน และความเชี่ยวชาญเฉพาะด้าน จะมีคุณค่ามากยิ่งขึ้น (OIG – แนวทางการปฏิบัติตามกฎระเบียบทั่วไป, โปรแกรม CMS CERT)

นอกจากนี้ พูดตามตรงเลยนะ… ถ้า AI จะเข้ามา “แทนที่” การเขียนโค้ดได้อย่างสมบูรณ์แบบจริงๆ ก็คงเป็นเพราะเอกสารต่างๆ กลายเป็นสิ่งที่สมบูรณ์แบบเสียก่อน และนั่นเป็นสิ่งที่ดูไม่สมจริงที่สุดที่ผมพูดมาทั้งวันแล้ว 😂 (CMS MLN909160 – ข้อกำหนดด้านเอกสารเวชระเบียน)

ตัวอย่างในโลกแห่งความเป็นจริง: การสร้างเวิร์กโฟลว์การเข้ารหัสผู้ป่วยนอกโดยใช้ AI ช่วยเหลือ 🧪

สถานการณ์

ลองนึกภาพคลินิกผู้ป่วยนอกขนาดกลางที่ให้บริการผู้ป่วยด้านการดูแลสุขภาพเบื้องต้น โรคหัวใจ และศัลยกรรมกระดูกอย่างต่อเนื่อง ทีมงานด้านการบันทึกรหัสไม่ได้พยายามเข้ามาแทนที่ผู้บันทึกรหัส แต่พยายามลดงานที่น่าเบื่อหน่าย เช่น การค้นหาการประเมินของแพทย์ การตรวจสอบว่ามีการบันทึกข้างที่ได้รับผลกระทบหรือไม่ การค้นหาข้อมูลเฉพาะที่ขาดหายไป และการตรวจจับปัญหาเกี่ยวกับตัวดัดแปลงหรือความจำเป็นทางการแพทย์ที่ชัดเจนก่อนที่จะส่งใบเรียกเก็บเงิน.

ในตัวอย่างนี้ AI ถูกใช้เป็นผู้ช่วยในขั้นตอนแรก โดยจะตรวจสอบบันทึกการรักษา แนะนำรหัส ICD-10-CM และ CPT ที่น่าจะเป็นไปได้ เน้นข้อความในบันทึกที่สนับสนุนคำแนะนำแต่ละข้อ และทำเครื่องหมายสิ่งใดก็ตามที่ต้องการการตัดสินใจจากมนุษย์.

โปรแกรมเมอร์ยังคงเป็นผู้ตัดสินใจขั้นสุดท้าย ไม่มีการส่งคำร้องอัตโนมัติ ไม่มีระบบ AI ประทับตราอนุมัติแบบอัตโนมัติ น่าเบื่อไหม? อาจจะใช่ ปลอดภัยกว่าไหม? แน่นอน.

สิ่งที่ผู้ช่วยต้องการ

ผู้ช่วยเขียนโค้ด AI ที่ใช้งานได้จริงจะต้องมี:

• บันทึกการพบผู้ป่วยนอกล่าสุดที่ลบข้อมูลระบุตัวตนผู้ป่วยออกแล้วเพื่อใช้ในการทดสอบ

• เอกสารอ้างอิงปัจจุบันเกี่ยวกับ ICD-10-CM, CPT, HCPCS, NCCI และนโยบายของผู้จ่ายเงิน

• ตัวอย่างของการพบปะที่เข้ารหัสซึ่งได้รับการยอมรับก่อนหน้านี้

• ตัวอย่างของการเรียกร้องที่ถูกปฏิเสธหรือแก้ไขแล้ว

• กำหนดเกณฑ์ความเชื่อมั่นที่ชัดเจน เช่น “ส่งข้อมูลที่มีความเชื่อมั่นต่ำกว่า 85% ไปให้มนุษย์ตรวจสอบอย่างละเอียดอีกครั้ง”

• กฎข้อหนึ่งระบุว่า ผู้ช่วยจะต้องอ้างอิงหรือชี้ให้เห็นเอกสารประกอบก่อนที่จะแนะนำรหัส

• กระบวนการให้ข้อเสนอแนะจากโปรแกรมเมอร์ สำหรับข้อเสนอแนะที่ได้รับการยอมรับ ปฏิเสธ และแก้ไข

หัวใจสำคัญไม่ได้อยู่ที่การป้อนข้อมูลให้มันเท่านั้น หัวใจสำคัญอยู่ที่การสอนให้มันเข้าใจว่า “สิ่งที่สามารถปกป้องได้” นั้นหมายถึงอะไร.

ตัวอย่างคำแนะนำ

คุณกำลังช่วยเหลือผู้เชี่ยวชาญด้านการเข้ารหัสทางการแพทย์ในการเข้ารหัสค่าธรรมเนียมวิชาชีพผู้ป่วยนอก ตรวจสอบบันทึกการพบแพทย์และเสนอตัวเลือก ICD-10-CM, CPT, HCPCS และตัวดัดแปลงที่เป็นไปได้เฉพาะเมื่อมีเอกสารสนับสนุนเท่านั้น สำหรับแต่ละข้อเสนอแนะ ให้แสดงวลีที่สนับสนุนจากบันทึก อธิบายตรรกะการเข้ารหัสอย่างชัดเจน และทำเครื่องหมายส่วนที่ขาดความเฉพาะเจาะจง ความไม่แน่นอน ข้อกังวลเกี่ยวกับนโยบายของผู้จ่ายเงิน หรือช่องว่างในเอกสาร อย่าสรุปการเรียกร้องค่าสินไหมทดแทน ทำเครื่องหมายแต่ละรายการเป็นความมั่นใจต่ำ ปานกลาง หรือสูง การวินิจฉัยที่ไม่แน่นอน ขั้นตอนการรักษาที่ไม่ชัดเจน การขาดข้อมูลเกี่ยวกับด้านข้างของร่างกาย หรือความจำเป็นทางการแพทย์ที่ไม่ได้รับการสนับสนุน จะต้องส่งต่อไปยังการตรวจสอบโดยมนุษย์.

วิธีการทดสอบ

เริ่มต้นด้วยข้อมูลผู้ป่วยนอก 30 รายที่ได้รับการบันทึกรหัสไว้แล้ว โดยแบ่งเป็นกรณีง่าย ปานกลาง และซับซ้อน.

คำถามในการทดสอบอาจรวมถึง:

• ผู้ช่วยสามารถค้นหาข้อมูลสนับสนุนการวินิจฉัยได้โดยไม่ต้องสร้างรายละเอียดที่ขาดหายไปหรือไม่?

• ระบบระบุสถานะการวินิจฉัยว่า "อาจเป็นไปได้" "ตัดออก" หรือ "สงสัย" ได้ถูกต้องหรือไม่?

• สามารถตรวจจับการขาดความถนัดข้างในกรณีศัลยกรรมกระดูกได้หรือไม่?

• บทความนี้อธิบายหรือไม่ว่าทำไมจึงอาจจำเป็นต้องใช้คำขยายความ แทนที่จะแค่แนะนำเฉยๆ?

• ระบบจะระบุหรือไม่ว่าเอกสารไม่รองรับระดับ E/M ที่เลือกไว้หรือไม่?

• มันกลับยิ่งทำให้กรณีที่ไม่ชัดเจนบานปลายแทนที่จะบังคับให้ได้คำตอบที่มั่นใจใช่หรือไม่?

การทดสอบที่มีประโยชน์คือการเปรียบเทียบแผนภูมิเดียวกันสามเวอร์ชัน: เวอร์ชันที่สมบูรณ์ เวอร์ชันที่ขาดประโยคสำคัญ และเวอร์ชันที่มีเอกสารอ้างอิงขัดแย้งกัน เมื่อ AI ให้คำตอบเดียวกันสำหรับทั้งสามเวอร์ชัน แสดงว่า AI ยังไม่พร้อมใช้งาน.

ผลลัพธ์

ผลลัพธ์ตัวอย่าง: อ้างอิงจากการจับเวลาการพบผู้ป่วยนอก 30 ราย ก่อนและหลังการใช้เวิร์กโฟลว์.

ก่อนที่จะมีการใช้ AI เข้ามาช่วย โปรแกรมเมอร์ใช้เวลาโดยเฉลี่ย 7 นาทีต่อการตรวจสอบโค้ด การยืนยันโค้ด และการตรวจสอบเอกสารในแต่ละรอบการทำงาน แต่หลังจากที่ AI ช่วยเน้นหลักฐานและให้คำแนะนำเบื้องต้นแล้ว เวลาที่ใช้ก็ลดลงเหลือ 4 นาทีต่อการตรวจสอบโค้ดในแต่ละรอบ.

นั่นเท่ากับ:

• ประหยัดเวลาได้ 90 นาทีจากการใช้งาน 30 ครั้ง

• ประหยัดเวลาได้ 3 นาทีต่อแผนภูมิขั้นตอน

• 0 แผนภูมิถูกส่งโดยอัตโนมัติโดยไม่มีการตรวจสอบจากโปรแกรมเมอร์

• มี 5 กรณีที่ต้องยกระดับการดูแล เนื่องจาก AI พบว่าขาดข้อมูลเกี่ยวกับด้านข้างของร่างกายที่ได้รับผลกระทบ สถานะการวินิจฉัยไม่ชัดเจน หรือหลักฐานสนับสนุนความจำเป็นทางการแพทย์ไม่แข็งแรง

• ข้อเสนอแนะจาก AI 2 ข้อถูกปฏิเสธเนื่องจากเอกสารประกอบไม่แข็งแรงเพียงพอ

ตัวชี้วัดที่มีค่าที่สุดในที่นี้ไม่ใช่ "ความแม่นยำของ AI" เพียงอย่างเดียว แต่เป็นข้อเสนอแนะที่ได้รับการยอมรับจากโปรแกรมเมอร์หลังจากตรวจสอบแล้ว ในการทดสอบนี้ มี 23 จาก 30 กรณีที่มีข้อเสนอแนะจาก AI อย่างน้อยหนึ่งข้อที่ได้รับการยอมรับ แต่มีเพียง 18 กรณีเท่านั้นที่ได้รับการยอมรับโดยไม่มีการเปลี่ยนแปลงโค้ด ความแตกต่างนี้มีความสำคัญ.

อะไรบ้างที่อาจผิดพลาดได้

ความเสี่ยงที่ใหญ่ที่สุดคือการยอมรับโดยไม่คิดไตร่ตรอง เมื่อโปรแกรมเมอร์เริ่มคลิก "ยอมรับ" เพราะเครื่องมือดูมั่นใจ กระบวนการทำงานก็จะกลายเป็นปัญหาเรื่องการปฏิบัติตามกฎระเบียบที่มาในรูปแบบของการเพิ่มประสิทธิภาพการทำงาน 🎩

ข้อผิดพลาดอื่นๆ ที่พบบ่อย ได้แก่:

• การปล่อยให้ AI วินิจฉัยโรคจากผลตรวจทางห้องปฏิบัติการหรือยาเพียงอย่างเดียว

• การใช้กฎเกณฑ์การชำระเงินที่ล้าสมัย

• เพิกเฉยต่อคำเตือนที่มีความน่าเชื่อถือต่ำเนื่องจากคิวการเรียกร้องค่าสินไหมทดแทนค้างอยู่จำนวนมาก

• วัดเฉพาะความเร็ว ไม่วัดการปฏิเสธหรือผลการตรวจสอบ

• ไม่บันทึกเหตุผลที่โปรแกรมเมอร์เปลี่ยนแปลงหรือปฏิเสธคำแนะนำของ AI

• การถือว่าผลการทดสอบที่สะอาดเป็นหลักฐานยืนยันว่าระบบสามารถจัดการกับข้อมูลผู้ป่วยนอกที่ซับซ้อนได้

การตั้งค่าที่ปลอดภัยกว่าจะให้ AI อยู่ในบทบาทของผู้ช่วยเท่านั้น ได้แก่ การแนะนำ การแสดงหลักฐาน การอธิบายความไม่แน่นอน และการส่งต่อปัญหาไปยังผู้ที่เกี่ยวข้อง.

ข้อคิดที่นำไปใช้ได้จริง

การใช้ AI ในการเข้ารหัสทางการแพทย์ที่ดีที่สุดไม่ใช่การ “ปล่อยให้เครื่องจักรเข้ารหัสทุกอย่าง” แต่เป็นการ “ทำให้การตรวจสอบของผู้เข้ารหัสคมชัดและรวดเร็วยิ่งขึ้น” เมื่อขั้นตอนการทำงานช่วยประหยัดเวลาได้สามนาทีต่อแผนภูมิทั่วไป พร้อมทั้งตรวจจับช่องว่างของเอกสารก่อนการเรียกเก็บเงิน นั่นย่อมมีคุณค่าอย่างแท้จริง แต่คุณค่านั้นจะคงอยู่ได้ก็ต่อเมื่อมนุษย์ยังคงเป็นผู้ตัดสินใจ มีบันทึกการตรวจสอบ และเป็นผู้ตัดสินใจขั้นสุดท้าย.

คำถามที่พบบ่อย

ปัญญาประดิษฐ์จะเข้ามาแทนที่ผู้เขียนโค้ดทางการแพทย์อย่างสมบูรณ์ในอีกไม่กี่ปีข้างหน้าหรือไม่?

AI ไม่น่าจะเข้ามาแทนที่ผู้เขียนรหัสทางการแพทย์ได้อย่างสมบูรณ์ในระยะเวลาอันใกล้นี้ การนำไปใช้ในโลกแห่งความเป็นจริงส่วนใหญ่มุ่งเน้นไปที่การช่วยเหลือในงานประจำที่มีปริมาณมาก มากกว่าที่จะเข้ามาแทนที่บทบาทของผู้เขียนรหัสโดยสิ้นเชิง การเขียนรหัสยังคงต้องการวิจารณญาณ การตีความแนวทางปฏิบัติ และความตระหนักรู้ด้านการปฏิบัติตามกฎระเบียบ ในทางปฏิบัติ AI จะเปลี่ยนวิธีการทำงานของผู้เขียนรหัสมากกว่าที่จะเปลี่ยนว่าจำเป็นต้องมีผู้เขียนรหัสหรือไม่.

ปัจจุบันมีการนำ AI มาใช้ในกระบวนการทำงานด้านการเข้ารหัสทางการแพทย์อย่างไรบ้าง?

AI ถูกนำมาใช้กันอย่างแพร่หลายในการแนะนำรหัส ค้นหาเอกสารที่เกี่ยวข้อง ระบุรายละเอียดที่ขาดหายไป และจัดลำดับความสำคัญของแผนภูมิตามความซับซ้อน ระบบหลายระบบทำงานในรูปแบบที่มีมนุษย์ร่วมตรวจสอบ โดยที่ผู้เขียนโค้ดจะตรวจสอบ ปรับแต่ง หรือปฏิเสธคำแนะนำของ AI ซึ่งช่วยเพิ่มความเร็วโดยไม่ต้องถ่ายโอนความรับผิดชอบ การกำกับดูแลยังคงมีความสำคัญต่อการปฏิบัติตามกฎระเบียบและความถูกต้องแม่นยำ.

ส่วนใดของการเข้ารหัสทางการแพทย์ที่ AI สามารถทำงานอัตโนมัติได้ง่ายที่สุด?

AI ทำงานได้ดีที่สุดกับกรณีศึกษาที่ซ้ำซากและมีการบันทึกรายละเอียดอย่างดี เช่น การตรวจผู้ป่วยนอกตามปกติ หรือรายงานเฉพาะทางที่มีโครงสร้างชัดเจน สถานการณ์ที่มีปริมาณมากซึ่งสร้างขึ้นจากแม่แบบที่สม่ำเสมอจะทำให้การทำงานอัตโนมัติง่ายขึ้น การค้นหารหัส การเน้นหลักฐาน และการตรวจจับรูปแบบการปฏิเสธขั้นพื้นฐานมักเป็นกรณีการใช้งานที่ได้ผลดี การตัดสินใจทางคลินิกที่ซับซ้อนยังคงเป็นเรื่องท้าทาย.

เหตุใด AI จึงประสบปัญหาในการจัดการกับเวชระเบียนที่ซับซ้อนหรือคลุมเครือ?

เอกสารทางการแพทย์มักเต็มไปด้วยความไม่แน่นอน การวินิจฉัยที่ขัดแย้งกัน และภาษาที่ไม่แม่นยำ AI อาจตีความคำคุณศัพท์ เช่น “อาจเป็นไปได้” หรือ “ตัดออก” ผิดพลาดเป็นภาวะที่ได้รับการยืนยันแล้ว นอกจากนี้ยังอาจพลาดประโยคสำคัญเพียงประโยคเดียวที่เปลี่ยนแปลงลำดับหรือความรุนแรงได้ ความแตกต่างเล็กน้อยเหล่านี้เป็นหัวใจสำคัญของการเข้ารหัสที่ถูกต้องตามกฎระเบียบ และยากที่จะทำให้เป็นระบบอัตโนมัติได้อย่างปลอดภัย.

ปัญญาประดิษฐ์ (AI) จะทำให้จำนวนงานด้านการเข้ารหัสทางการแพทย์ระดับเริ่มต้นลดลงหรือไม่?

ตำแหน่งงานระดับเริ่มต้นอาจรู้สึกกดดันเป็นอันดับแรก เนื่องจากงานประจำเริ่มมีระบบอัตโนมัติมากขึ้น บางองค์กรอาจชะลอการจ้างงาน ในขณะที่บางองค์กรอาจโยกย้ายโปรแกรมเมอร์ระดับเริ่มต้นไปทำงานด้านการสนับสนุนการตรวจสอบหรือด้านคุณภาพ ผลกระทบจะแตกต่างกันไปตามองค์กรและสายงานบริการ เส้นทางอาชีพอาจปรับเปลี่ยนและเปลี่ยนแปลงไป แทนที่จะหายไป.

AI ส่งผลกระทบต่อการปฏิบัติตามกฎระเบียบและความเสี่ยงด้านการตรวจสอบในงานรหัสทางการแพทย์อย่างไร?

AI สามารถเพิ่มทั้งความเร็วและความเสี่ยงได้เมื่อการกำกับดูแลอ่อนแอ การเขียนโค้ดที่รวดเร็วขึ้นโดยปราศจากกระบวนการตรวจสอบที่รัดกุมอาจเพิ่มอัตราการปฏิเสธหรือความเสี่ยงต่อการตรวจสอบ ทีมงานด้านการปฏิบัติตามกฎระเบียบยังคงต้องการเหตุผลที่ตรวจสอบได้และการตัดสินใจที่สามารถปกป้องได้ การตรวจสอบโดยมนุษย์ บันทึกการตรวจสอบ และความรับผิดชอบที่ชัดเจนยังคงเป็นมาตรการป้องกันที่สำคัญ.

ทักษะใดบ้างที่ช่วยให้ผู้เชี่ยวชาญด้านการเข้ารหัสทางการแพทย์ยังคงมีคุณค่าในสภาพแวดล้อมที่ใช้ AI เข้ามาช่วย?

ทักษะที่เกี่ยวข้องกับการตรวจสอบ การตีความแนวทางปฏิบัติ การวิเคราะห์นโยบายของผู้จ่ายเงิน และการจัดการการปฏิเสธการจ่ายเงิน มักจะยังคงมีประโยชน์ในระยะยาว ผู้เขียนโค้ดที่เข้าใจว่าทำไมโค้ดจึงถูกต้อง ไม่ใช่แค่เข้าใจว่าควรเลือกใช้โค้ดใด จะหาคนมาแทนได้ยาก ความเชี่ยวชาญเฉพาะด้านและการทำงานร่วมกับ CDI ก็เพิ่มคุณค่าเช่นกัน หลายบทบาทกำลังมุ่งไปสู่ด้านคุณภาพและการกำกับดูแล.

การบันทึกข้อมูลทางการแพทย์แบบ "ไม่ต้องสัมผัส" นั้นเป็นไปได้จริงสำหรับองค์กรส่วนใหญ่หรือไม่?

การบันทึกข้อมูลโดยไม่ต้องสัมผัสอาจใช้ได้ผลกับกรณีที่ไม่ซับซ้อนและมีเอกสารประกอบที่ชัดเจน แต่สำหรับกรณีผู้ป่วยในที่ซับซ้อนหรือมีหลายโรค มักจะไม่ได้ผล องค์กรส่วนใหญ่เห็นผลลัพธ์ที่ดีกว่าด้วยเวิร์กโฟลว์แบบผสมผสาน การทำงานอัตโนมัติเต็มรูปแบบมักจะเพิ่มความจำเป็นในการตรวจสอบและแก้ไขในภายหลังมากกว่าที่จะลดภาระงาน.

เอกสารอ้างอิง

1. สำนักงานผู้ตรวจราชการ (OIG) กระทรวงสาธารณสุขและบริการมนุษย์แห่งสหรัฐอเมริกา - แนวทางการปฏิบัติตามกฎระเบียบทั่วไป - oig.hhs.gov

2. สถาบันมาตรฐานและเทคโนโลยีแห่งชาติ (NIST) - กรอบการบริหารความเสี่ยงด้านปัญญาประดิษฐ์ (AI RMF 1.0) - nist.gov

3. สถาบันมาตรฐานและเทคโนโลยีแห่งชาติ (NIST) - โปรไฟล์ปัญญาประดิษฐ์เชิงสร้างสรรค์ (NIST AI 600-1) - nist.gov

4. ศูนย์บริการ Medicare และ Medicaid (CMS) - ข้อกำหนดด้านเอกสารเวชระเบียน (MLN909160) - cms.gov

5. ศูนย์บริการ Medicare และ Medicaid (CMS) - แนวทางการกำหนดรหัส ICD-10-CM ปีงบประมาณ 2026 - cms.gov

6. ศูนย์บริการ Medicare และ Medicaid (CMS) - การแก้ไขตามโครงการริเริ่มการกำหนดรหัสที่ถูกต้องระดับชาติ (NCCI) - cms.gov

7. สมาคมการจัดการข้อมูลสุขภาพแห่งอเมริกา (AHIMA) - ชุดเครื่องมือการเข้ารหัสโดยใช้คอมพิวเตอร์ช่วย - ahima.org

8. ศูนย์บริการ Medicare และ Medicaid (CMS) - โครงการทดสอบอัตราข้อผิดพลาดแบบครอบคลุม (CERT) - cms.gov

9. ศูนย์บริการ Medicare และ Medicaid (CMS) - บริการประเมินและจัดการ (MLN006764) - cms.gov

10. สำนักงานตรวจสอบบัญชีของรัฐบาลสหรัฐฯ (GAO) - GAO-19-277 - gao.gov

11. ศูนย์บริการ Medicare และ Medicaid (CMS) - การปรับความเสี่ยง - cms.gov

ค้นหา AI รุ่นล่าสุดได้ที่ร้านค้าผู้ช่วย AI อย่างเป็นทางการ

เกี่ยวกับเรา