آیا هوش مصنوعی جایگزین برنامه‌نویسان پزشکی خواهد شد؟ [ویدئو و آزمون]

پاسخ کوتاه:
هوش مصنوعی به طور کامل جایگزین کدنویسان پزشکی نخواهد شد، اما نحوه انجام کار را تغییر خواهد داد. وقتی مستندسازی روتین و ساختارمند باشد، هوش مصنوعی می‌تواند مراحل تکراری را به دوش بکشد. وقتی پرونده‌ها پیچیده، مورد اختلاف یا حسابرسی شده هستند، قضاوت انسانی همچنان محوریت دارد. نقش قبل از اینکه تعداد کارکنان از بین برود، تغییر می‌کند.

نکات کلیدی:

خودکارسازی وظایف: هوش مصنوعی کارهای تکراری کدنویسی را انجام می‌دهد و فضایی برای بررسی‌های قضاوتی و مدیریت استثنائات ایجاد می‌کند.

پاسخگویی انسانی: کدنویسان در هنگام حسابرسی، تجدیدنظرخواهی، رد درخواست‌ها یا پرسش‌های مربوط به انطباق، همچنان طرف مسئول باقی می‌مانند.

تکامل نقش: نقش‌های کدگذاری به سمت حسابرسی، CDI، مدیریت رد صلاحیت، تفسیر سیاست و حاکمیت شرکتی گرایش دارند.

مدیریت ریسک: اگر سرعت از نظارت پیشی بگیرد و بررسی انسانی کاهش یابد، کدنویسی سریع‌تر می‌تواند ریسک انطباق را افزایش دهد.

تاب‌آوری شغلی: تخصص در تدوین دستورالعمل‌ها، تسلط بر سیاست‌های پرداخت‌کننده و قدرت حسابرسی همچنان از مهارت‌های پایدار و پرتقاضا هستند.

آیا هوش مصنوعی جایگزین برنامه‌نویسان پزشکی خواهد شد؟ «جایگزینی» در عمل به چه معناست 🤔

وقتی مردم می‌پرسند «آیا هوش مصنوعی جایگزین برنامه‌نویسان پزشکی خواهد شد؟» معمولاً منظورشان یکی از این موارد است:

• جایگزینی تعداد کارکنان - در مجموع به کدنویسان کمتری نیاز است

• وظایف را جایگزین کنید - کار تغییر می‌کند اما کدنویسان می‌مانند

• مسئولیت را جایگزین کنید - هوش مصنوعی تصمیمات نهایی را می‌گیرد و انسان‌ها فقط تماشا می‌کنند

• نقش‌های سطح مبتدی را جایگزین کنید - ابتدا روند کار تغییر می‌کند 😬

طبق تجربه من، وقتی تیم‌ها اتوماسیون را می‌پذیرند، بزرگترین تغییر به ندرت «ناپدید شدن کدنویس‌ها» است. بیشتر شبیه این است:
کدنویسی روتین سریع‌تر می‌شود، موارد خاص پر سر و صداتر می‌شوندو حسابرسی به سایه تمام‌وقت همه تبدیل می‌شود. (OIG – راهنمای برنامه انطباق عمومی)

هوش مصنوعی در تکرار عالی است. کدنویسی فقط تکرار نیست. کدنویسی تکرار به علاوه‌ی قضاوت به علاوه‌ی رعایت قانون به علاوه‌ی عجیب بودنِ پرداخت‌کننده به علاوه‌ی حل معمای «چرا این توی نت هست» است. 🕵️♀️

بنابراین بله، هوش مصنوعی می‌تواند بخش‌هایی از کار را جایگزین کند. اما جایگزینی کامل این حرفه، بحث دیگری است.

چه چیزی یک نسخه خوب از کدنویسی پزشکی هوش مصنوعی را می‌سازد؟ ✅

اگر ما در مورد یک «نسخه خوب» از هوش مصنوعی برای کدنویسی پزشکی صحبت می‌کنیم، منظور آن نسخه‌ای نیست که پر زرق و برق‌ترین بازاریابی را دارد. منظور نسخه‌ای است که مانند یک همکار خوب رفتار می‌کند، وحشت نمی‌کند، توهم نمی‌زند و کار خود را نشان می‌دهد. (NIST AI RMF 1.0، NIST Generative AI Profile (AI 600-1))

یک سیستم کدنویسی هوش مصنوعی (یا گردش کار) خوب معمولاً دارای موارد زیر است:

• NLP بالینی قوی که یادداشت‌های نامرتب (دیکته، قالب‌ها، اسپاگتی کپی-پیست 🍝)

• پیشنهاد کد با دلیل (نه فقط یک کد - بلکه دلیل آن)

• امتیازدهی اعتماد به نفس با آستانه‌هایی که می‌توانید تنظیم کنید

• مسیرهای حسابرسی برای انطباق و پاسخ پرداخت‌کننده (CMS MLN909160 - الزامات مستندسازی پرونده پزشکی)

• هم‌ترازی قوانین + دستورالعمل‌ها (ICD-10-CM، CPT، HCPCS، ویرایش‌های NCCI، سیاست‌های پرداخت‌کننده... کل سیرک 🎪) (دستورالعمل‌های کدگذاری CMS FY 2026 ICD-10-CM، ویرایش‌های CMS NCCI)

• کنترل‌های انسانی در حلقه، به طوری که کدنویسان می‌توانند بپذیرند، اصلاح کنند یا رد کنند (NIST AI RMF 1.0)

• یکپارچه‌سازی که روز همه را خراب نمی‌کند (EHR، رمزگذار، CAC، سیستم صورتحساب)

اگر ابزاری نتواند خودش را توضیح دهد، جایگزین امنی برای چیزی نمی‌شود. فقط سریع‌تر اضطراب ایجاد می‌کند. (NIST Generative AI Profile (AI 600-1))

جدول مقایسه: گزینه‌های برتر کدنویسی با کمک هوش مصنوعی (و جایگاه آنها) 📊

در زیر یک جدول مقایسه عملی از رویکردهای رایج کدنویسی با کمک هوش مصنوعی آمده است. این جدول کاملاً دقیق نیست... زیرا پیاده‌سازی آن نیز دقیق نیست.

متوجه این الگو شدید؟ هر چه بیشتر سعی شود «بدون تماس» باشد، برای جلوگیری از مشکل انطباق با حرکت آهسته، به نظارت بیشتری نیاز خواهید داشت. جالب است. (OIG - راهنمای برنامه انطباق عمومی)

چرا هوش مصنوعی واقعاً در بخش‌هایی از کدنویسی خوب است 😎

بیایید به هوش مصنوعی در جاهایی که شایسته‌اش است اعتبار بدهیم. حوزه‌هایی وجود دارد که هوش مصنوعی در آنها به طور مشروع قوی است:

۱) تشخیص الگو در مقیاس بزرگ

آیا مواجهه‌های پرحجم و تکرارپذیر با مستندات منسجم وجود دارد؟ هوش مصنوعی اغلب می‌تواند موارد زیر را به خوبی انجام دهد:

• کدگذاری تشخیص روتین برای بیماری‌های شایع

• کدگذاری ساده رویه زمانی که مستندات تمیز هستند

• یافتن سریع شواهد پشتیبان (آزمایشگاه‌ها، تصویربرداری، فهرست مشکلات)

۲) سرعت بخشیدن به «شکار»

حتی کدنویس‌های متخصص هم برای پیدا کردن موارد زیر وقت می‌گذارند:

• بیانیه ارائه دهنده کجاست؟

• ویژگی کجاست؟

• چه چیزی از ضرورت پزشکی پشتیبانی می‌کند؟

• چه باحاله 😩

هوش مصنوعی می‌تواند خطوط مرتبط را شناسایی کند، موارد خاص از دست رفته را علامت‌گذاری کند و خستگی ناشی از اسکرول کردن را کاهش دهد. این خیلی جذاب نیست، اما بهره‌وری واقعی است.

۳) الگوهای پیشگیری از انکار

هوش مصنوعی می‌تواند الگوهایی مانند موارد زیر را یاد بگیرد:

• عوامل رایج رد درخواست توسط پرداخت‌کننده

• شکاف‌های اسنادی مرتبط با خدمات خاص

• اصلاح‌کننده‌هایی که اغلب بدون پشتیبانی اضافی رد می‌شوند (CMS MLN909160 – الزامات مستندسازی سوابق پزشکی، برنامه CMS CERT)

کدنویس‌ها همین الان هم این کار را ذهنی انجام می‌دهند. هوش مصنوعی فقط آن را با سر و صدا و سریع‌تر انجام می‌دهد.

چرا هوش مصنوعی با قطعاتی که کدنویس‌ها برای رسیدگی به آنها پول می‌گیرند، مشکل دارد؟ 😬

حالا روی دیگر سکه این است که بخش‌هایی که اتوماسیون را مختل می‌کنند، معمولاً همان بخش‌هایی هستند که «ورود کد» را از «کدنویسی» جدا می‌کنند

ابهام بالینی و احساسات پزشکان

ارائه دهندگان چیزهایی مانند موارد زیر می نویسند:

• «محتمل»، «منتفی»، «مظنون»، «نمی‌توان رد کرد»

• «سابقه»، «وضعیت فعلی»، «حل شده»، «مزمن اما پایدار»

• «احتمال ذات‌الریه وجود دارد، اما می‌تواند نارسایی احتقانی قلب (CHF) نیز باشد»

هوش مصنوعی می‌تواند عدم قطعیت را اشتباه تعبیر کند و آن را به قطعیت تبدیل کند. این... اشتباه جالبی نیست.

نکات ظریف در دستورالعمل‌ها (و هرج و مرج در سیاست‌های پرداخت‌کننده)

کدگذاری فقط «آنچه که به صورت بالینی اتفاق افتاده» نیست، بلکه:

• تفسیر راهنما

• منطق توالی

• قوانین بسته‌بندی

• الزامات خاص پرداخت کننده

• منطق ضرورت پزشکی

• ویژگی‌های خاص پوشش محلی (دستورالعمل‌های کدگذاری ICD-10-CM سال مالی 2026 CMS، ویرایش‌های NCCI CMS)

هوش مصنوعی مطمئناً می‌تواند الگوها را یاد بگیرد. اما وقتی یک پرداخت‌کننده یک قانون را تغییر می‌دهد، انسان‌ها با قصد و نیت خود را وفق می‌دهند. هوش مصنوعی با سردرگمی و اعتماد به نفس خود را وفق می‌دهد. این یک ترکیب بد است.

مشکل «یک جمله‌ی گمشده»

یک خط می‌تواند انتخاب کد، DRG، ثبت ریسک HCC یا سطح E/M را تغییر دهد. هوش مصنوعی ممکن است آن را از دست بدهد یا بدتر از آن - آن را استنباط کند. و استنباط در کدنویسی مانند ساختن یک پل از ژله است. تا زمانی که روی آن قدم نگذارید، خوب به نظر می‌رسد.

بنابراین… آیا هوش مصنوعی جایگزین برنامه‌نویسان پزشکی خواهد شد؟ واقع‌بینانه‌ترین نتیجه 🧩

برگردیم به عبارت کلیدی اصلی: آیا هوش مصنوعی جایگزین برنامه‌نویسان پزشکی خواهد شد؟
بهترین پاسخ منطقی من این است: هوش مصنوعی ابتدا بخش‌هایی از کار را جایگزین می‌کند، سپس نقش‌ها را از نو طرح‌ریزی می‌کند و فقط در مواردی که سازمان‌ها تصمیم می‌گیرند زمان صرفه‌جویی‌شده را دوباره سرمایه‌گذاری نکنند، تعداد کارکنان را کاهش می‌دهد.

ترجمه:

• برخی سازمان‌ها از هوش مصنوعی برای افزایش بهره‌وری بدون تعدیل نیرو

• برخی از آن برای کاهش هزینه‌ها (و بعداً با عواقب بعدی آن مقابله خواهند کرد)

• بسته به خطوط خدماتی، برخی ترکیبی از این دو را انجام می‌دهند

اما نکته‌ی ظریفی که مردم از آن غافل می‌شوند این است: اگر هوش مصنوعی سرعت را افزایش دهد، می‌تواند ریسک را نیز افزایش دهد. این ریسک باعث افزایش تقاضا برای موارد زیر می‌شود:

• حسابرسان

• بررسی‌کنندگان انطباق

• مربیان کدنویسی

• متخصصان مدیریت انکار

• مزایای مدیریت پرس و جو و CDI

• نقش‌های حاکمیت کیفیت داده‌ها (OIG - راهنمای برنامه انطباق عمومی، برنامه CMS CERT)

بنابراین جایگزینی یک خط مستقیم نیست. بیشتر شبیه تردمیل با صندل است. پیشرفت... اما کمی لرزان. 😅

چه چیزی اول تغییر می‌کند: بستری در مقابل سرپایی در مقابل متخصص 🏥

همه کارهای کدنویسی به طور یکسان تحت تأثیر قرار نمی‌گیرند. خودکارسازی برخی از حوزه‌ها آسان‌تر است زیرا مستندات و قوانین ساختاریافته‌تر هستند.

سرپایی و تخصصی

اغلب اتوماسیون سریع‌تری را مشاهده می‌کند زیرا:

• حجم بالا

• قالب‌های تکرارپذیر

• فیدهای داده ساختاریافته‌تر

• اعمال آسان‌تر ویرایش‌های مبتنی بر قوانین + دستورات هوش مصنوعی (ویرایش‌های CMS NCCI)

اما پیچیدگی سطح‌بندی E/M، تصمیم‌گیری پزشکی و بررسی دقیق پرداخت‌کننده، همچنان انسان‌ها را بسیار مرتبط نگه می‌دارد. (CMS MLN006764 – خدمات ارزیابی و مدیریت)

بستری

کدگذاری بیماران بستری تنوع زیادی دارد:

• بستری طولانی مدت با تشخیص‌های متعدد

• عوارض، بیماری‌های همراه، اقدامات درمانی

• اثرات DRG و نکات دقیق توالی‌یابی

• اختلال اسناد مداوم (دستورالعمل‌های کدگذاری ICD-10-CM سال مالی 2026 CMS)

هوش مصنوعی می‌تواند کمک کند، اما «بیمار بستری بدون تماس» برای بسیاری از بیمارستان‌ها بیشتر شبیه یک رویا است تا واقعیت.

خطوط ویژه

رادیولوژی و پاتولوژی می‌توانند به دلیل گزارش‌دهی ساختاریافته، پیشرفت‌های چشمگیری داشته باشند. ED می‌تواند ترکیبی از یادداشت‌های سریع و قالب‌بندی‌شده، اما واقعیت نامرتب باشد.

میدان نبرد پنهان: انطباق، حسابرسی و پاسخگویی 🧾

اینجاست که «جایگزینی» متزلزل می‌شود.

حتی وقتی هوش مصنوعی کدها را پیشنهاد می‌دهد، پاسخگویی همچنان در جای خاصی قرار می‌گیرد:

• این مرکز

• ارائه دهنده صورتحساب

• کدنویسی که روی «پذیرش» کلیک کرده است

• مدیری که آستانه‌ها را تعیین کرد

• فروشنده‌ای که گفته دقیق است (خخخ) (دفتر کل نظارت بر انطباق با مقررات - راهنمای برنامه انطباق عمومی)

تیم‌های انطباق معمولاً می‌خواهند:

• قابلیت ردیابی

• منطق کدنویسی قابل دفاع

• کاربرد مداوم دستورالعمل

• مستندات آماده حسابرسی (CMS MLN909160 – الزامات مستندسازی سوابق پزشکی)

هوش مصنوعی می‌تواند از این امر پشتیبانی کند - اما تنها در صورتی که گردش کار به گونه‌ای ساخته شود که شواهد را حفظ کرده و پذیرش کورکورانه را کاهش دهد. (NIST AI RMF 1.0)

یه نکته‌ی خیلی رک: اگه گردش کار هوش مصنوعی شما از کلیشه‌سازی و چاپلوسی حمایت می‌کنه، شما پول پس‌انداز نمی‌کنید. شما دارید دردسر قرض می‌گیرید. با بهره. 😬 (GAO-19-277، برنامه‌ی CMS CERT)

چگونه ارزشمند بمانیم: مجموعه مهارت‌های کدنویسی «ضد هوش مصنوعی» 💪🧠

اگر شما یک کدنویس پزشکی هستید که با آن احساس تنگی در قفسه سینه‌تان این متن را می‌خوانید، خبر خوب این است: می‌توانید خودتان را برای بخشی از کار که هوش مصنوعی نمی‌تواند با خیال راحت آن را انجام دهد، آماده کنید.

مهارت‌هایی که به خوبی با گذشت زمان بهبود می‌یابند (حتی در محیطی که هوش مصنوعی در آن بسیار زیاد است):

• حسابرسی و بررسی کیفیت (یافتن مشکلات، نه فقط سرعت) (OIG – راهنمای برنامه انطباق عمومی)

• تفسیر راهنما (و توضیح واضح آن) (راهنمای کدگذاری ICD-10-CM سال مالی 2026 CMS)

• پیمایش خط‌مشی پرداخت‌کننده (چون خط‌مشی‌ها خیلی باحالن 🌶️)

• همکاری CDI و استراتژی پرس و جو

• تحلیل ریشه‌ای علت انکار (CMS MLN909160 – الزامات مستندسازی سوابق پزشکی، برنامه CMS CERT)

• سواد تعدیل ریسک (منطق HCC، یکپارچگی اسناد) (تعدیل ریسک CMS)

• تخصص‌های تخصصی (ارتو، قلب و عروق، مغز و اعصاب، انکولوژی و غیره)

• مدیریت هوش مصنوعی - کمک به تعیین آستانه‌ها، دسته‌بندی خطاها، حلقه‌های بازخورد (NIST AI RMF 1.0)

اگر هوش مصنوعی یک ماشین حساب باشد، با انجام بهتر محاسبات، شما منسوخ نمی‌شوید. با دانستن اینکه ماشین حساب چه زمانی و چرا اشتباه می‌کند، ارزشمندتر می‌شوید.

چگونه سازمان‌ها باید هوش مصنوعی را بدون اینکه همه را بدبخت کنند، پیاده‌سازی کنند 😵💫

اگر در سمت رهبری هستید، در اینجا الگوهای اجرایی وجود دارد که من بهترین عملکرد را دیده‌ام:

۱) با «کمک» شروع کنید، نه با «جایگزینی»

استفاده از هوش مصنوعی برای:

• اولویت‌بندی نمودار

• شواهد رو به رو شدن

• پیشنهاد کد با امتیاز اطمینان

• مسیریابی گردش کار بر اساس پیچیدگی

۲) حلقه‌های بازخورد را آنطور که می‌خواهید بسازید

اگر کدنویسان خروجی هوش مصنوعی را اصلاح کنند، آن را ثبت کنید:

• چه نوع خطایی؟

• چرا اتفاق افتاد؟

• چه مستنداتی باعث آن شد؟

• چقدر تکرار می‌شود

در غیر این صورت، این ابزار هرگز بهبود نمی‌یابد و همه فقط در نادیده گرفتن آن مهارت پیدا می‌کنند.

۳) تقسیم‌بندی کار بر اساس پیچیدگی

یک گردش کار عملی:

• پیچیدگی کم - اتوماسیون بیشتر

• پیچیدگی متوسط ​​- گردش کار جفتی کدنویس + هوش مصنوعی

• پیچیدگی بالا - اول کدنویس متخصص، دوم هوش مصنوعی (بله، دوم)

۴) نتایج درست را اندازه‌گیری کنید

نه فقط بهره‌وری. همچنین:

• نرخ‌های انکار

• یافته‌های حسابرسی

• نرخ‌های واژگونی

• حجم پرس‌وجو و کیفیت پاسخ

• رضایت برنامه‌نویس (جدی می‌گویم) (برنامه CMS CERT)

اگر بهره‌وری افزایش یابد و انکارها نیز افزایش یابد... این یک برد نیست. این یک مشکل آشکار است.

آینده چه شکلی است (بدون درام علمی تخیلی) 🔮

بیایید وانمود نکنیم که هیچ چیز تغییر نخواهد کرد. تغییر خواهد کرد. اما روایت «پایان برنامه‌نویسان» بیش از حد ساده‌لوحانه است.

احتمال بیشتر:

• نقش‌های ورود کد کمتر

• نقش‌های ترکیبی بیشتر (کدنویسی + حسابرسی + تجزیه و تحلیل + انطباق)

• تیم‌های کدنویسی به تیم‌های باکیفیت داده تبدیل می‌شوند

• یکپارچگی اسناد به یک مسئله بزرگتر تبدیل می‌شود

• هوش مصنوعی، چه بخواهید چه نخواهید، به یک همکار استاندارد تبدیل می‌شود که بر او نظارت دارید ( NIST AI RMF 1.0 ، OIG – راهنمای برنامه انطباق عمومی )

و بله، برخی از مشاغل در برخی محیط‌ها کاهش خواهند یافت. این بخش واقعی است. اما مراقبت‌های بهداشتی عاشق مقررات، تغییرپذیری، استثنائات و کاغذبازی است. هوش مصنوعی می‌تواند از پس خیلی چیزها بربیاید... اما مراقبت‌های بهداشتی استعدادی در اختراع پیچیدگی‌های جدید دارد، انگار که یک سرگرمی است.

فرود هواپیما: آیا هوش مصنوعی جایگزین برنامه‌نویسان پزشکی خواهد شد؟ 🧡

بیایید این هواپیما را فرود بیاوریم.

آیا هوش مصنوعی جایگزین کدنویسان پزشکی خواهد شد؟ نه به آن شکل تمیز، کامل و علمی تخیلی که مردم تصور می‌کنند. هوش مصنوعی قطعاً وظایف تکراری را کاهش می‌دهد، کدنویسی روتین را تسریع می‌کند و سازمان‌ها را برای سازماندهی مجدد تیم‌ها تحت فشار قرار می‌دهد. همچنین نیاز بیشتری به نظارت، حسابرسی، دفاع در برابر انطباق، استراتژی انکار و کار یکپارچه‌سازی اسناد ایجاد خواهد کرد. (AHIMA - جعبه ابزار کدنویسی به کمک کامپیوتر، OIG - راهنمای برنامه انطباق عمومی)

خلاصه سریع 🧾

• هوش مصنوعی بیشتر از اینکه جایگزین برنامه‌نویسان شود، جایگزین بخش‌هایی از وظایف کدنویسی خواهد شد.

• کدگذاری «بدون تماس» در موارد محدود، تمیز و تکراری بهترین عملکرد را دارد (AHIMA - جعبه ابزار کدگذاری به کمک رایانه)

• کدگذاری پیچیده هنوز به قضاوت و پاسخگویی انسانی نیاز دارد (دستورالعمل‌های کدگذاری ICD-10-CM سال مالی 2026، CMS MLN909160 – الزامات مستندسازی پرونده پزشکی)

• امن‌ترین مسیر، مسیر انسانی در حلقه با مسیرهای حسابرسی قوی است (NIST AI RMF 1.0)

• کدنویسانی که در زمینه‌های حسابرسی، انطباق، CDI، سیاست پرداخت‌کننده و تخصص‌های دیگر تخصص پیدا می‌کنند، ارزشمندتر می‌شوند (OIG - راهنمای برنامه انطباق عمومی، برنامه CMS CERT)

همچنین، راستش را بخواهید... اگر هوش مصنوعی واقعاً بتواند کاملاً جایگزین کدنویسی شود، به این دلیل خواهد بود که مستندسازی بی‌نقص شده است. و این غیرواقعی‌ترین چیزی است که من در تمام طول روز گفته‌ام 😂 (CMS MLN909160 – الزامات مستندسازی سوابق پزشکی)

مثال دنیای واقعی: ساخت یک گردش کار کدنویسی سرپایی با کمک هوش مصنوعی 🧪

سناریو

یک کلینیک سرپایی متوسط ​​را تصور کنید که جریان ثابتی از ویزیت‌های مراقبت‌های اولیه، قلب و ارتوپدی را مدیریت می‌کند. تیم کدگذاری سعی در جایگزینی کدنویسان ندارد. آنها در تلاشند تا کار خسته‌کننده پیمایش را کاهش دهند: یافتن ارزیابی ارائه‌دهنده، بررسی اینکه آیا جانبی بودن ثبت شده است یا خیر، تشخیص موارد خاص از قلم افتاده و تشخیص موارد واضح یا موارد ضروری پزشکی قبل از اینکه درخواست‌ها ارسال شوند.

در این سناریوی مثالی، هوش مصنوعی به عنوان دستیار اول استفاده می‌شود. این هوش مصنوعی یادداشت برخورد را بررسی می‌کند، کدهای احتمالی ICD-10-CM و CPT را پیشنهاد می‌دهد، متن دقیق یادداشتی را که از هر پیشنهاد پشتیبانی می‌کند، برجسته می‌کند و هر چیزی را که نیاز به تصمیم‌گیری انسانی دارد، علامت‌گذاری می‌کند.

کدنویس همچنان تصمیم نهایی را می‌گیرد. هیچ درخواست خودکاری ثبت نمی‌شود. هیچ مهر تاییدی مبنی بر اینکه «هوش مصنوعی این را گفته» وجود ندارد. کسل‌کننده؟ شاید. امن‌تر؟ کاملاً.

آنچه دستیار نیاز دارد

یک دستیار کدنویسی هوش مصنوعی کاربردی به موارد زیر نیاز دارد:

• یادداشت‌های مربوط به مراجعات سرپایی اخیر که حاوی اطلاعات شناسایی بیمار بودند، برای آزمایش حذف شدند

• مراجع فعلی ICD-10-CM، CPT، HCPCS، NCCI و خط‌مشی پرداخت‌کننده

• نمونه‌هایی از برخوردهای کدگذاری‌شده‌ی قبلاً پذیرفته‌شده

• نمونه‌هایی از ادعاهای رد شده یا اصلاح شده

• یک آستانه اطمینان مشخص، مانند «هر چیزی که زیر ۸۵٪ اطمینان است را برای بررسی کامل انسانی ارسال کنید»

• قانونی که دستیار قبل از پیشنهاد کد باید به اسناد پشتیبان استناد کند یا به آنها اشاره کند

• فرآیند بازخورد کدنویس برای پیشنهادات پذیرفته شده، رد شده و اصلاح شده

نکته‌ی کلیدی فقط این نیست که به آن یادداشت بدهید. نکته‌ی کلیدی این است که به آن یاد بدهید «قابل دفاع» بودن چه شکلی است.

دستورالعمل مثال

شما در حال کمک به یک کدگذار پزشکی دارای مجوز در کدگذاری هزینه‌های حرفه‌ای سرپایی هستید. یادداشت مواجهه را مرور کنید و گزینه‌های احتمالی ICD-10-CM، CPT، HCPCS و اصلاح‌کننده‌ها را فقط در صورت پشتیبانی مستندات پیشنهاد دهید. برای هر پیشنهاد، عبارت پشتیبان را از یادداشت نشان دهید، منطق کدگذاری را به وضوح توضیح دهید و هرگونه ویژگی از دست رفته، عدم قطعیت، نگرانی در مورد سیاست پرداخت‌کننده یا شکاف مستندات را علامت‌گذاری کنید. ادعا را نهایی نکنید. هر مورد را با اطمینان کم، متوسط ​​یا زیاد علامت‌گذاری کنید. هرگونه تشخیص نامشخص، روش نامشخص، عدم وجود جانبی یا ضرورت پزشکی بدون پشتوانه باید به بررسی انسانی ارجاع داده شود.

چگونه آن را آزمایش کنیم

با 30 مورد از مراجعات سرپایی که از قبل کدگذاری شده‌اند شروع کنید و آنها را به موارد ساده، متوسط ​​و پیچیده تقسیم کنید.

سوالات آزمون می‌تواند شامل موارد زیر باشد:

• آیا دستیار می‌تواند بدون ایجاد جزئیات از قلم افتاده، پشتیبانی تشخیصی را پیدا کند؟

• آیا تشخیص‌های «ممکن»، «رد» یا «مشکوک» را به درستی علامت‌گذاری می‌کند؟

• آیا عدم وجود تقارن جانبی را در موارد ارتوپدی تشخیص می‌دهد؟

• آیا به جای اینکه فقط یک توصیف‌گر پیشنهاد دهد، توضیح می‌دهد که چرا ممکن است به یک توصیف‌گر نیاز باشد؟

• آیا مشخص می‌کند چه زمانی مستندات از سطح E/M انتخاب‌شده پشتیبانی نمی‌کنند؟

• آیا به جای وادار کردن به ارائه پاسخی مطمئن، پرونده‌های نامشخص را تشدید می‌کند؟

یک آزمایش ارزشمند، مقایسه سه نسخه از یک نمودار مشابه است: یکی بدون نقص، یکی بدون یک جمله کلیدی و دیگری با مستندات متناقض. وقتی هوش مصنوعی برای هر سه پاسخ یکسان می‌دهد، یعنی آماده نیست.

نتیجه

نتیجه‌ی تشریحی: بر اساس زمان‌بندی ۳۰ نمونه ویزیت سرپایی قبل و بعد از استفاده از گردش کار.

قبل از پشتیبانی هوش مصنوعی، کدنویس به طور متوسط ​​۷ دقیقه در هر برخورد معمول صرف بررسی، تأیید کد و بررسی مستندات می‌کرد. با برجسته‌سازی شواهد و پیشنهادات اولیه هوش مصنوعی، این زمان به ۴ دقیقه در هر برخورد معمول کاهش یافت.

که برابر است با:

• ۹۰ دقیقه صرفه‌جویی در ۳۰ رویارویی

• ۳ دقیقه صرفه‌جویی در هر نمودار روتین

• 0 نمودار به صورت خودکار و بدون بررسی کدنویس ارسال شده است

• ۵ مورد برخورد به دلیل اینکه هوش مصنوعی متوجه عدم وجود برتری جانبی، وضعیت تشخیص نامشخص یا پشتیبانی ضعیف از نظر ضرورت پزشکی شد، تشدید شد

• دو پیشنهاد هوش مصنوعی به دلیل ناکافی بودن مستندات پشتیبانی رد شد

ارزشمندترین معیار در اینجا «دقت هوش مصنوعی» به خودی خود نیست. بلکه پیشنهادهای پذیرفته‌شده توسط کدنویس پس از بررسی است. در این آزمون، از 30 مورد، 23 مورد حداقل یک پیشنهاد هوش مصنوعی پذیرفته شد، اما تنها 18 مورد بدون تغییر کد پذیرفته شدند. این تمایز مهم است.

چه چیزی می‌تواند اشتباه پیش برود؟

بزرگترین خطر، پذیرش کورکورانه است. وقتی کدنویسان به دلیل اعتماد به نفس ابزار، شروع به کلیک روی «پذیرش» می‌کنند، گردش کار به یک مشکل انطباق با قوانین تبدیل می‌شود که در ظاهر بهره‌وری را زیر سوال می‌برد. 🎩

سایر اشتباهات رایج عبارتند از:

• اجازه دادن به هوش مصنوعی برای استنباط تشخیص‌ها از آزمایشگاه‌ها یا داروها به تنهایی

• استفاده از قوانین منسوخ‌شده‌ی پرداخت‌کننده

• نادیده گرفتن هشدارهای کم‌اطمینان به دلیل پشتیبانی از صف درخواست خسارت

• فقط سرعت را اندازه‌گیری می‌کند، نه انکارها یا یافته‌های حسابرسی را

• عدم ثبت دلیل تغییر یا رد پیشنهادات هوش مصنوعی توسط کدنویسان

• در نظر گرفتن نتایج آزمایش‌های بی‌عیب و نقص به عنوان مدرکی دال بر اینکه سیستم می‌تواند نمودارهای پیچیده بیماران سرپایی را مدیریت کند

یک چیدمان امن‌تر، هوش مصنوعی را در مسیر دستیاری نگه می‌دارد: پیشنهاد دهید، شواهد را نشان دهید، عدم قطعیت را توضیح دهید و تشدید کنید.

نکته کاربردی

بهترین استفاده از هوش مصنوعی در کدگذاری پزشکی این نیست که «بگذاریم ماشین همه چیز را کدگذاری کند». بلکه این است که «بررسی کدنویس را دقیق‌تر و سریع‌تر کنیم». وقتی گردش کار به ازای هر نمودار روتین سه دقیقه صرفه‌جویی می‌کند و در عین حال قبل از صدور صورتحساب، شکاف‌های اسناد را شناسایی می‌کند، این ارزش واقعی دارد. اما این ارزش تنها زمانی حفظ می‌شود که انسان‌ها هنوز قضاوت، مسیر حسابرسی و تصمیم نهایی را در اختیار داشته باشند.

سوالات متداول

آیا هوش مصنوعی در چند سال آینده کاملاً جایگزین برنامه‌نویسان پزشکی خواهد شد؟

بعید است که هوش مصنوعی در کوتاه‌مدت به‌طور کامل جایگزین کدنویسان پزشکی شود. اکثر پیاده‌سازی‌های دنیای واقعی بر کمک به وظایف روتین و پرحجم تمرکز دارند تا حذف کامل این نقش. کدنویسی هنوز هم نیازمند قضاوت، تفسیر دستورالعمل‌ها و آگاهی از انطباق با قوانین است. در عمل، هوش مصنوعی بیشتر از اینکه به کدنویسان نیاز باشد، نحوه کار کدنویسان را تغییر می‌دهد.

هوش مصنوعی در حال حاضر چگونه در گردش‌های کاری کدگذاری پزشکی استفاده می‌شود؟

هوش مصنوعی معمولاً برای پیشنهاد کدها، بررسی مستندات مربوطه، علامت‌گذاری موارد خاص از قلم افتاده و نمودارهای اولویت‌بندی بر اساس پیچیدگی استفاده می‌شود. بسیاری از سیستم‌ها در یک مدل انسانی در حلقه اجرا می‌شوند که در آن کدنویسان پیشنهادات هوش مصنوعی را بررسی، تنظیم یا رد می‌کنند. این امر سرعت را بدون انتقال مسئولیت بهبود می‌بخشد. نظارت برای انطباق و دقت همچنان ضروری است.

کدام بخش‌های کدگذاری پزشکی برای خودکارسازی توسط هوش مصنوعی آسان‌تر هستند؟

هوش مصنوعی در مواجهه‌های تکراری و مستند مانند ویزیت‌های سرپایی معمول یا گزارش‌های تخصصی ساختاریافته، بهترین عملکرد را دارد. سناریوهای با حجم بالا که بر اساس الگوهای ثابت ساخته شده‌اند، راحت‌تر خودکارسازی می‌شوند. جستجوی کد، برجسته‌سازی شواهد و تشخیص الگوی انکار اولیه، موارد استفاده قوی هستند. قضاوت بالینی پیچیده همچنان چالش‌برانگیز است.

چرا هوش مصنوعی در مواجهه با سوابق پزشکی پیچیده یا مبهم دچار مشکل می‌شود؟

مستندات بالینی اغلب حاوی عدم قطعیت، تشخیص‌های متناقض و زبان نادقیق هستند. هوش مصنوعی می‌تواند عبارات توصیفی مانند «ممکن» یا «رد کردن» را به عنوان شرایط تأیید شده اشتباه بخواند. همچنین می‌تواند یک جمله حیاتی را که توالی یا شدت را تغییر می‌دهد، از دست بدهد. این تفاوت‌های ظریف در قلب کدگذاری سازگار قرار دارند و خودکارسازی ایمن آنها دشوار است.

آیا هوش مصنوعی تعداد مشاغل کدنویسی پزشکی سطح مبتدی را کاهش خواهد داد؟

با خودکار شدن کارهای روتین، ممکن است ابتدا نقش‌های سطح مبتدی تحت فشار قرار گیرند. برخی سازمان‌ها ممکن است استخدام را کند کنند، در حالی که برخی دیگر کدنویسان تازه‌کار را به سمت نقش‌های پشتیبانی حسابرسی یا کیفیت سوق می‌دهند. تأثیر این امر بر اساس سازمان و خط خدماتی متفاوت است. مسیرهای شغلی ممکن است به جای ناپدید شدن، خم شوند و تغییر شکل دهند.

هوش مصنوعی چگونه بر انطباق و ریسک حسابرسی در کدگذاری پزشکی تأثیر می‌گذارد؟

هوش مصنوعی می‌تواند سرعت و ریسک را در مواقع ضعف حاکمیت شرکتی افزایش دهد. کدنویسی سریع‌تر بدون فرآیندهای بررسی پایدار ممکن است نرخ رد درخواست یا افشای حسابرسی را افزایش دهد. تیم‌های انطباق هنوز به منطق قابل ردیابی و تصمیمات قابل دفاع نیاز دارند. بررسی انسانی، مسیرهای حسابرسی و پاسخگویی شفاف همچنان از موارد حیاتی هستند.

چه مهارت‌هایی به برنامه‌نویسان پزشکی کمک می‌کند تا در محیطی که با هوش مصنوعی پشتیبانی می‌شود، ارزشمند باقی بمانند؟

مهارت‌های مرتبط با حسابرسی، تفسیر دستورالعمل‌ها، تحلیل سیاست‌های پرداخت‌کننده و مدیریت عدم پرداخت، معمولاً به خوبی کهنه می‌شوند. کدنویسانی که می‌دانند چرا یک کد درست است، نه تنها کدام کد را انتخاب کنند، بلکه جایگزینی آنها دشوارتر است. تخصص تخصصی و همکاری CDI نیز ارزش افزوده ایجاد می‌کند. بسیاری از نقش‌ها به سمت کیفیت و حاکمیت شرکتی حرکت می‌کنند.

آیا کدگذاری پزشکی «بدون تماس» برای اکثر سازمان‌ها واقع‌بینانه است؟

کدگذاری بدون تماس می‌تواند برای موارد محدود و ساده با مستندات واضح کارساز باشد. برای موارد پیچیده بستری یا برخوردهای چند بیماری، اغلب کافی نیست. اکثر سازمان‌ها با گردش‌های کاری ترکیبی نتایج قوی‌تری را مشاهده می‌کنند. اتوماسیون کامل معمولاً نیاز به ممیزی‌ها و اصلاحات پایین‌دستی را به جای حذف کار افزایش می‌دهد.

منابع

1. دفتر بازرس کل (OIG)، وزارت بهداشت و خدمات انسانی ایالات متحده - راهنمای برنامه انطباق عمومی - oig.hhs.gov

2. موسسه ملی استاندارد و فناوری (NIST) - چارچوب مدیریت ریسک هوش مصنوعی (AI RMF 1.0) - nist.gov

3. موسسه ملی استاندارد و فناوری (NIST) - پروفایل هوش مصنوعی مولد (NIST AI 600-1) - nist.gov

4. مراکز خدمات مدیکر و مدیکید (CMS) - الزامات مستندسازی سوابق پزشکی (MLN909160) - cms.gov

5. مراکز خدمات مدیکر و مدیکید (CMS) - دستورالعمل‌های کدگذاری ICD-10-CM سال مالی 2026 - cms.gov

6. مراکز خدمات مدیکر و مدیکید (CMS) - ویرایش‌های ابتکار ملی کدگذاری صحیح (NCCI) - cms.gov

7. انجمن مدیریت اطلاعات سلامت آمریکا (AHIMA) - جعبه ابزار کدگذاری به کمک رایانه - ahima.org

8. مراکز خدمات مدیکر و مدیکید (CMS) - برنامه جامع تست نرخ خطا (CERT) - cms.gov

9. مراکز خدمات مدیکر و مدیکید (CMS) - خدمات ارزیابی و مدیریت (MLN006764) - cms.gov

10. دفتر پاسخگویی دولت ایالات متحده (GAO) - GAO-19-277 - gao.gov

11. مراکز خدمات درمانی و بیمه درمانی (CMS) - تعدیل ریسک - cms.gov

جدیدترین هوش مصنوعی را در فروشگاه رسمی دستیار هوش مصنوعی پیدا کنید

درباره ما