【威廉博莱】医疗马赛克：人工智能日益增长的重要性 收入周期管理 市场-260227

收入周期管理（RCM）长期以来一直被认为是医疗行业中最复杂且容易被误解的领域之一。其核心涵盖了从行政管理工作到最终支付余款的整个过程。虽然这听起来很简单，但在实际操作中却远非如此。并且追踪患者治疗过程的财务流程，从登记和预约排程开始。

尽管其对医疗行业至关重要，但在我看来，RCM在历史上一直被外界低估了。交易至信任：通过医疗自动化构建更好的护理 投资者，尤其是那些经常误判市场的人。然而，实际情况是，RCM代表着数十亿美元的可观价值，即便是小额的 将其视为后台管道或低估了当前RCM流程中嵌入的低效率的规模（这些流程通常是大型内部改进的复杂手动干预），在准确度、速度和效率方面的任何直接影响都可能直接影响到供应方和支付方的利润率。

因此，对于面临日益增加财务压力的健康体系来说，准确及时地获取收入不仅仅是日常运营管理——它至关重要。收入成本管理（RCM）是医疗保健的金融循环系统，当它减缓或堵塞时，整个系统都会感到压力。

在我们看来，RCM 也是一个成熟的颠覆领域，因为许多卫生系统都雇佣了大量内部团队——这些团队通常依赖人工流程来完成 RCM 活动。

1,150 RCM员工
举个例子，当苏特健康将其RCM服务外包给R1 RCM时，它大约将——转移到该公司——这是一个大约是其规模10%的劳动力。

该系统位于供应商、支付方、患者和监管机构交汇处，需要不断应对复杂（且不断变化）的编码规则、预先授权、拒绝等环节，这些环节既可能模糊不清，又对更广泛的医疗经济运作至关重要。在我们看来，这也是一个充满颠覆潜力的领域，例如CAQH等组织评估上诉和合规要求等项目。结果是，形成了一种减少RCM（应收账款管理）中人工工作和行政流程的财务和操作网络。

每年可通过更高程度的自动化节省超过184亿美元。 2024年CAQH指数报告 — 由 ).

因此，我们认为RCM正在成为医疗保健行业的关键关注领域，其影响远远超出了账单和收款。 我们相信，在人口结构和付费者组合的转变、护理点服务模式的持续变化以及向基于价值的护理服务模式转变方面取得成功，并将日益决定他们在日益紧张的环境中的财务可持续性。

在我们看来，将RCM与患者护理旅程相对应才能更好地理解RCM。从患者进入系统的那一刻起，到最终支付为止，一系列相互关联的流程决定着提供者是否能迅速、准确、全面地获得补偿。

这些RCM流程可以分为三个主要阶段：1）术前阶段；2）术中阶段；3）遭遇后。

术前阶段着重于为准确计费和快速报销奠定基础。在此阶段出现的错误或疏忽往往会演变成生命周期后期医疗索赔中的更大问题，使这一阶段对于整体RCM过程的开始至关重要。在我们看来，以下步骤是术前流程中的关键步骤。

• 积极沟通（例如，提醒、访问前指导、数字化注册和签署）
• 数字前台门和患者参与
• 覆盖发现
• 保险（资格）验证
• 价格估算
• 事先批准

中周期是将临床活动转换为RCM流程中的财务数据的阶段。在此阶段的正确执行确保提供商能够捕获所提供服务全部价值，同时也能保持符合付款方规则和规定。主要包括以下关键领域。

• 文档与编码
• 收费捕获
• 索赔提交

遭遇后收益管理（RCM）的关键领域包括以下内容。

• 支付入账及汇款通知
• A/R管理优化
• 否认管理与上诉
• 患者收集

传统的营收管理流程一直是劳动密集型的，减少了对人工劳动（或外包提供商）的依赖，并使员工能够专注于更有价值的工作。

使用人工智能进行RCM的经验总体上非常积极。 并且，根据Forrester 2025年第二季度AI和RCM数据调查 （在超过316位医疗体系中的医疗技术领导者中），也显示分析显著提升了长期营收周期规划和报销策略。（展示2），尤其是相对于 提供商的初始经验

初期期望

调查数据还显示，基于人工智能的解决方案已被公认为比传统方法更准确，并且随着人工智能系统的进步，越来越多的数据被纳入其中。 团队，41%表示它们已经“略微更准确”，只有8%认为AI解决方案不够准确——这些指标我们预计将显著改善，并且很快就会。 人类团队，有19%的领导者表示他们“准确性显著更高”于人类

健康信息技术策略师表示，68%的高管认为人工智能驱动的解决方案改善了 作为一个例子，一本最近的黑皮书调查 在1,303名核心决策者和技术领导者推动营收周期创新（包括CFO、营收周期高管、AI专家和网络收银）中，39%的人表示，在六个月内现金流量提高了10%以上。此外，96%的受访者认为，借助AI的财务预测和预测分析功能，将带来更大的利益。

Forrester报告突出了以下改善最大的领域：1. 患者财务管理经验和改善的收款（人工智能提高了37%）；2. 人力效率（平均改善36%）；3. 改善拒付预防（27%）；4. 报告和数据分析可见性提高（23%）；5. 6. 7. 8. 提高支付准确性（18%）；简化索赔跟进（13%）。改善现金流（22%）；更快支付（21%）。

最重要的，有几个领域在AI最有可能带来的近期影响中独树一帜——通过直接解决长期存在的医疗提供者痛点，例如管理负担、延迟报销和人力资源低效，同时还简化了阻碍营收获取和支付准确性的系统瓶颈。

我们相信，在未来几年，人工智能将改变服务商在RCM（收入循环管理）过程中的每一个主要功能，以及患者的财务参与。人工智能有能力从根本上改变服务商如何管理收入运营。从索赔提交和编码到拒绝预防、资格验证、

此外，我们认为现行的RCM软件和服务市场领导者在这个人工智能时代中处于有利地位，得以蓬勃发展。他们广泛的客户群提供了对庞大、高质量的网络效应的访问权限，因为随着处理的索赔和交易的增加，他们的系统变得更为智能和高效。 数据集可用于训练和优化AI模型，使它们在结构上优于新进入者，我们认为这是优势。此外，它们与支付者和提供者的整合创造了——竞争对手可能难以匹敌的强大力量。 他们变得足够的系统。结合深厚的客户关系和内嵌的工作流程，这些既得利益者独具优势，能够提供可扩展的、数据驱动的自动化，而对于小型的

被拒绝的索赔仍然是收入周期中代价高昂且持续存在的挑战。根据最近的一项 学习 通过，这个指标对于MA和Medicaid计划（展示6）来说甚至更高——包括有意义的索赔份额 由首相透露，所有提交给私人支付者的索赔中，首轮被拒绝的占比超过15%。 已清除 事先授权

我们相信这关系到注册和资格问题、医疗必要性以及缺少或不完整的先前授权——表明这些是针对AI改善Optum分析的 ключевые области. Optum的分析指出，拒绝发生在RCM流程的所有阶段，但前端拒绝（占44%）是最大问题（与中期的16%和后端的32%相比），——在我们的观点中。

同样，2024年“索赔状况”调查（ 可在此下载 ) Experian对供应商账单人员的调查表明，49%的受访者表示，所有索赔中至少有10%至15%被拒绝，同时，Optum Health最近发布了一份关于拒绝的报告（ 可在此下载 ) 对1,500家医院的4.41亿份索赔记录进行分析，表明2023年所有索赔中有12%被拒绝（自2016年以来增长了300个基点）。

这些否认在很大程度上偏向于更高费用的服务，平均拒绝索赔的费用超过14,000美元（展览7），这会阻碍供应商的现金流，并延长...

平均而言，供应商每起索赔花费43.84美元来提出异议（商业索赔高达64美元）——这一支出导致整个行业每年约有197亿美元的管理浪费。

管理协会（HFMA）指出，在调查的医疗保健领导者中，有22%表示他们的组织每年因拒绝而损失至少50万美元，而10%报告每年损失超过200万美元。这也给大多数提供商造成了重大损失。来自《医疗保健财务》的研究表明……

因此，调查经常显示这毫不奇怪 索赔否认通常被视为提供商的关键RCM问题。 例如，上述2025年Experian调查中有59%的受访者计划在六个月内投资更多先进的否认减少技术。

同样，另一个 调查 由普路瑟斯健康（年收入在2500万美元至50亿美元之间的医疗保健机构，拥有50至700人的RCM团队）进行的调查指出 声称否认是排名第一的RCM挑战。 超过半数受访者（58%）强调了这一问题。

在我们看来，AI可以以五种主要方式支持提供商在这一收入循环部分。

历史上，防止在索赔提交点发生拒绝主要依赖于各种手动驱动的拒绝管理工具，然而，供应商可以将解决方案嵌入到他们的收入循环管理工作中。 检查和基于规则的解决方案来识别简单的编码问题。但这些解决方案常常表现不佳，因为编码团队无法实时纳入新的支付方政策更新。借助人工智能流，基于实时识别问题的动态规则引擎，这些引擎可以不断适应新的支付方政策。

预提交分析。 许多创新的RCM解决方案使用自然语言处理技术，即NLP，读取供应商的笔记、出院总结和实验室结果，以确保在提交之前诊断和程序代码的准确性和完整性。此外，工具可以自动提取在提交点支持索赔所需的相关临床文档部分。

人工智能模型还可以分析数百万个过往的索赔，以识别针对特定付款人的根本原因分析，帮助确定为什么索赔被拒绝（从而自动提出解决方案）。

人工智能环境笔记员提交索赔和支持更高的编码级别。如前所述，这是公共卫生支付方指出将在2025年推动医疗费用增加的一个领域。

事先授权支持。 澄清修饰语 人工智能工具还可以检查针对特定付费方/政策的预先授权是否真正有效，从而减少因预先批准但不符合规定的索赔而导致的拒绝情况。

实时标记。 RCM 工作流程）。基于这些数据，在提交索赔之前，人工智能可以标记可能被拒绝的风险，并提出修正建议——例如添加临床文件、修正不匹配的代码等。

医疗卫生提供者也越来越多地依靠基于AI的临床智能工具来优化编码和提升收入收益。这些工具分析患者记录 临床智慧。 - 实时传输线缆、医生笔记和诊断数据，以识别缺失或记录不足的情况

幸运的是，人工智能正越来越多地应用于索赔拒绝管理，帮助医院重新预订调查。 实施前六个月内，否认索赔的比例下降10%或更多。 降低否认的频率以及上诉的成本。例如，根据Black 83%的医疗保健机构报告称，人工智能驱动的自动化减少了

人工智能可以使用大型语言模型（LLMs）读取基于文本的文件，识别相关合同条款，并将它们转换为机器语言。 合同条款及索赔提交前的清理。

RCM软件供应商可以利用这些数字化的合同数据以及历史索赔数据，构建由人工智能驱动的决策智能，以辅助索赔提交。

否定趋势（例如，缺失文件、编码错误、医疗必要性问题）及执行 模式识别。

草拟上诉信。 医疗政策、临床指南和相关文件。生成式AI可以创建针对特定支付者的定制化申诉信，其中引用

工作流程自动化。 人工智能驱动的RCM平台可以自动将拒绝信息路由到正确的团队，附加必要的临床记录，并跟踪截止日期以避免错失机会。

EHR清洗（针对临床数据）。 资源最有可能且最盈利的恢复地点。 许多供应商还拥有利用包含在索赔中CPT代码集相关的LLMs的AI工具。这些工具在医疗记录中突出显示潜在的证据，以便审阅者可以更快地确定医疗记录编码是否符合支付者指南，并自动将此临床数据添加到上诉中，以从医疗记录中提取与临床指南相关的特定术语。

收费捕获优化。 人工智能还可以发现被忽视的可收费项目或错误编码的服务，这些通常会导致拒绝。

供应商RCM团队通常需要手动将数据提交到每个具有自己格式和索赔提交流程的付款门户。 上诉提交和付款人门户导航。 程序。此外，为了获取索赔状态更新，许多付款方要求提供商再次登录门户，这虽然耗时但至关重要，以便了解是否需要采取新行动来推进索赔。然而，通过使用人工智能，提供商可以让AI代理登录门户并自动提交，然后主动为他们监控。

自然语言处理（NLP）也可以从非结构化的支付者笔记中提取语境，或精确分配款项，识别少付或被拒款项，高效核对你的账

纸质解释性说明（EOBs），使系统能够自动分类拒绝和未付款项。

ICD-10或CPT代码，服务提供者可以确保他们的索赔准确反映所提供护理的复杂性，从而减少拒付并提高报销。 诊断、护理空白以及风险调整机会。通过自动建议适当的

CMS的供应商访问API 托管 也将要求支付者通过标准化的FHIR端点在2027年提供实时保险数据。 所以，我们相信这些代理商最终将变成——

并简化合规流程，让提供商在最大化收益的同时，保持监管的准确性，而不会增加行政负担。以一个例子来说，该工具可以为提供客户带来15%的额外增量收益，通过确保Beyond编码之外，这些AI系统可以标记潜在的高风险患者，支持质量报告， 敏锐度

完整临床图像已捕捉用于计费。 notices that its Amplifi AI-电子汇款通知（ERA）格式从付款人处获取并统一付款人特定的变体，使无障碍地录入到服务提供者的电子健康记录或实践管理系统成为可能，从而使得提供者的AI也能通过自动化复杂、易出错的任务和提高整个收入周期中的付款准确性来转变汇款工作流程。在这里，机器学习模型可以解释不同的

动态适应。 随着支付者更改政策或拒绝原因，AI系统通过不断清洗支付者规则自动更新，为医院提供关于新拒绝风险的提前预警。我们相信这是与众多卫生系统合作并为所有支付者处理索赔（例如，较大的清算所提供者）的大型供应商的关键优势。

Waystar的AltitudeAI/AltitudeCreate。 - 们，Waystar声称这些功能允许供应商一次生成数百个上诉套餐，显著缩短了上诉制作时间（从大约38小时减少到仅需2小时，在很多情况下）。这些工具还实现了更高的撤销率，并减少了专门用于预防拒绝和上诉自动化的所需小时数。在讨论解决方案以预防拒绝的公告中。

可以自动匹配存款到汇款文件，减少人工干预，加快月末结账。最后，预测算法可以帮助提前标识异常——如意外的付款差异或反复拒绝的规律——在它们干扰现金流之前。并且，由AI驱动的对账工具

根据公司，这使超过95%的汇款能够自动入账，通常利用人工智能简化汇款流程，通过自动化从多种付款格式中提取和入账支付数据。其系统可以处理ERAs、EOBs和扫描件。

MediStreams

纸质文件，然后利用人工智能将支付与患者账户和索赔匹配，高精度地跟进，通常会基于历史模式建议拒绝的可能原因。这种方法减少了人工努力，加速了现金入账，并提高了收入回收，在24小时内显著改善现金流，并为更高价值的任务释放员工。当向RCM团队提供可操作的见解以优化付款方互动和减少延误时，如果出现——如支付不足、拒绝或部分支付——的差异，人工智能会标记这些异常。