Vai mākslīgais intelekts aizstās medicīniskos kodētājus?

Vai mākslīgais intelekts aizstās medicīniskos kodētājus?

Īsa atbilde:
mākslīgais intelekts pilnībā neaizstās medicīniskos kodētājus, taču tas mainīs darba veikšanas veidu. Kad dokumentācija ir rutīnas un strukturēta, mākslīgais intelekts var uzņemties atkārtotas darbības; ja lietas ir sarežģītas, strīdīgas vai auditētas, cilvēka spriedums paliek centrālais elements. Loma mainās, pirms personāla skaits izzūd.

Galvenie secinājumi:

Uzdevumu automatizācija : mākslīgais intelekts veic atkārtotu kodēšanas darbu, radot vietu spriedumiem bagātai pārskatīšanai un izņēmumu apstrādei.

Cilvēka atbildība : Kodētāji joprojām ir atbildīgi, kad rodas auditi, apelācijas, atteikumi vai atbilstības jautājumi.

Lomu evolūcija : Kodēšanas lomu tendences ir audits, CDI, atteikumu pārvaldība, politikas interpretācija un pārvaldība.

Risku pārvaldība : ātrāka kodēšana var palielināt atbilstības risku, ja ātrums pārsniedz uzraudzību un cilvēka veiktā pārskatīšana ir ierobežota.

Karjeras noturība : Vadlīniju pārzināšana, maksātāju politikas pārzināšana un audita stiprā puse joprojām ir noturīgas, ļoti pieprasītas prasmes.

Vai mākslīgais intelekts aizstās medicīniskos kodētājus? Infografika.
Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:

🔗 Kā AI kods izskatās praksē
Skatiet mākslīgā intelekta ģenerēta koda piemērus un to, kas sagaidāms.

🔗 Labākie mākslīgā intelekta koda pārskatīšanas rīki labākai kvalitātei
Salīdziniet labākos rīkus, kas atrod kļūdas un uzlabo atsauksmes.

🔗 Labākie bezkoda mākslīgā intelekta rīki, ko izmantot bez kodēšanas
Veiciet viedas darbplūsmas ar mākslīgā intelekta rīkiem — programmēšana nav nepieciešama.

🔗 Kas ir kvantu mākslīgais intelekts un kāpēc tas ir svarīgi
Izprotiet kvantu mākslīgā intelekta pamatus, lietošanas gadījumus un galvenos riskus.

Vai mākslīgais intelekts aizstās medicīniskos kodētājus? Ko praksē nozīmē vārds “aizstāt” 🤔

Kad cilvēki jautā: “Vai mākslīgais intelekts aizstās medicīnas kodētājus?” , viņi parasti domā vienu no šiem:

  • Aizstāt darbinieku skaitu — kopumā nepieciešams mazāk kodētāju

  • Aizstāt uzdevumus — darbs mainās, bet programmētāji paliek

  • Aizstāt atbildību — mākslīgais intelekts pieņem pēdējos lēmumus, un cilvēki tikai vēro

  • Aizstāt sākuma līmeņa lomas — vispirms mainās cauruļvads 😬

Manā pieredzē, vērojot komandas ieviešam automatizāciju, lielākās pārmaiņas reti kad ir bijušas “programmētāju pazušana”. Drīzāk tas ir līdzīgi kā:
ikdienas kodēšana kļūst ātrāka , perifēro gadījumu skaits — skaļāks , un auditēšana kļūst par ikviena pilna laika ēnu . ( OIG — Vispārējās atbilstības programmas vadlīnijas )

Mākslīgais intelekts ir izcils atkārtošanā. Kodēšana nav tikai atkārtošana. Kodēšana ir atkārtošana plus spriedums plus atbilstības pārbaude plus maksātāja dīvainības plus "kāpēc tas ir banknotē" noslēpumu risināšana. 🕵️♀️

Tātad, jā, mākslīgais intelekts var aizstāt daļu darba. Pilnīga profesijas aizstāšana ir pavisam cita lieta.

Kas veido labu mākslīgā intelekta medicīniskās kodēšanas versiju? ✅

Ja mēs runājam par mākslīgā intelekta “labo versiju” medicīniskajai kodēšanai, tā nav tā, kurai ir visspilgtākais mārketings. Tā ir tā, kas uzvedas kā stabils kolēģis, kurš nekrīt panikā, nehalucinē un demonstrē savu darbu. ( NIST AI RMF 1.0 , NIST Generative AI Profile (AI 600-1) )

Labai mākslīgā intelekta kodēšanas sistēmai (vai darbplūsmai) parasti ir:

  • Spēcīga klīniskā NLP, kas apstrādā nepaklausīgas piezīmes (diktātu, veidnes, kopēšanas un ielīmēšanas spageti 🍝)

  • Koda ieteikumi ar pamatojumu (ne tikai kods, bet arī kāpēc)

  • Uzticamības novērtējums ar regulējamām robežvērtībām

  • Atbilstības un maksātāja atbildes audita liecības CMS MLN909160 – Medicīnisko ierakstu dokumentācijas prasības )

  • Noteikumu + vadlīniju saskaņošana (ICD-10-CM, CPT, HCPCS, NCCI labojumi, maksātāja politika… viss šis cirks 🎪) ( CMS 2026. finanšu gada ICD-10-CM kodēšanas vadlīnijas , CMS NCCI labojumi )

  • Cilvēka vadīta vadība , lai kodētāji varētu pieņemt, modificēt vai noraidīt ( NIST AI RMF 1.0 )

  • Integrācija, kas netraucē ikviena dienu (elektroniskā veselības karte, kodētājs, klientu apkalpošanas centrs, norēķinu sistēma)

Ja rīks nespēj sevi izskaidrot, tas neko droši neaizstāj. Tas tikai ātrāk rada trauksmi. ( NIST Ģeneratīvā mākslīgā intelekta profils (AI 600-1) )

Salīdzināšanas tabula: labākās mākslīgā intelekta atbalstītās kodēšanas iespējas (un to piemērotība) 📊

Zemāk ir sniegta praktiska salīdzināšanas tabula ar izplatītākajām mākslīgā intelekta atbalstītās kodēšanas pieejām. Tā nav perfekti glīta… jo tāda nav arī ieviešana.

Rīks/pieeja Vislabāk auditorijai Cena Kāpēc tas darbojas (un kaitinošā daļa)
CAC ar NLP (datorizēta kodēšana) Slimnīcas HIM + stacionāra komandas $$$$ Lieliski piemērots iespējamu ICD-10-CM kodu atrašanai; noteiktos gadījumos var būt pilnīgi nepareizs ( AHIMA – Computer-Assisted Coding Toolkit )
Kodētājs ar mākslīgā intelekta ieteikumiem Profesionāli programmētāji, kuri jau zina noteikumus $$-$$$ Paātrina meklēšanu un liek veikt labojumus; joprojām ir nepieciešamas smadzenes, atvainojiet 😅
Noteikumi + automatizācija (rediģēšana, apvienošana, pārbaudes) Ieņēmumu cikls + atbilstība $$ Uztver acīmredzamas kļūdas; "nesaprot" klīniskās nianses ( CMS NCCI labojumi )
LLM stila dokumentācijas kopsavilkumi CDI + kodēšanas sadarbība $$ Palīdz apkopot un izcelt diagnozes; var palaist garām svarīgu detaļu… piemēram, kaķis, ignorējot savu vārdu ( NIST Ģeneratīvais mākslīgā intelekta profils (AI 600-1) )
Automātiska maksas iekasēšana + prasību skrāpji Ambulatorās/profesionālās darbplūsmas $$-$$$$ Palīdz samazināt atteikumu skaitu; dažreiz pārmeklē datus un palēnina caurlaidspēju ( CMS CERT programma )
Specialitātei specifiski modeļi (radioloģija, ceļa ārstēšana, neatliekamās palīdzības nodaļa) Liela apjoma nišas $$$$ Labāka precizitāte šaurās joslās; ārpus joslas nedaudz novirzās
Cilvēka un mākslīgā intelekta “pāru kodēšanas” darbplūsma Komandas modernizējas bez haosa $-$$$ Optimālais punkts; nepieciešama apmācība + pārvaldība, pretējā gadījumā tas novirzīsies no kursa ( NIST AI RMF 1.0 )
Pilnīgi bezkontakta kodēšanas mēģinājumi Vadītāji, kuriem patīk informācijas paneļi $$$$$ Var strādāt vienkāršos gadījumos; sarežģīti gadījumi joprojām nonāk pie cilvēkiem (pārsteigums!) ( AHIMA – Computer-Assisted Coding Toolkit )

Vai pamanījāt modeli? Jo “bezkontakta” ​​tas cenšas būt, jo lielāka pārvaldība būs nepieciešama, lai izvairītos no lēnas atbilstības problēmas. Jautri. ( OIG – Vispārējās atbilstības programmas vadlīnijas )

Kāpēc mākslīgais intelekts patiesi labi darbojas noteiktās kodēšanas jomās 😎

Piešķirsim mākslīgajam intelektam atzinību tur, kur tas ir nopelnīts. Ir jomas, kurās tas patiesi ir spēcīgs:

1) Rakstu atpazīšana mērogā

Liela apjoma, atkārtojamas saskarsmes ar konsekventu dokumentāciju? Mākslīgais intelekts bieži vien var precīzi pateikt:

  • ikdienas diagnostikas kodēšana bieži sastopamiem stāvokļiem

  • vienkārša procedūru kodēšana, ja dokumentācija ir tīra

  • ātra pierādījumu atrašana (laboratorijas izmeklējumi, attēlveidošana, problēmu saraksti)

2) "Medību" paātrināšana

Pat pieredzējuši programmētāji pavada laiku meklējumos:

  • Kur ir pakalpojumu sniedzēja paziņojums?

  • kur ir specifika

  • Kas apstiprina medicīnisko nepieciešamību

  • Kur ir sasodītā lateralitāte 😩

Mākslīgais intelekts var izcelt atbilstošas ​​līnijas, atzīmēt trūkstošo specifiku un mazināt ritināšanas nogurumu. Tas nav glauni, bet tā ir īsta produktivitāte.

3) Atteikuma novēršanas modeļi

Mākslīgais intelekts var apgūt tādus modeļus kā:

Programmētāji to jau dara garīgi. Mākslīgais intelekts to dara tikai trokšņaini un ātrāk.

Kāpēc mākslīgajam intelektam ir grūtības ar detaļām, par kuru apstrādi maksā programmētājiem 😬

Tagad otra puse. Daļas, kas pārtrauc automatizāciju, parasti ir tās pašas daļas, kas atdala “koda ievadīšanu” no “kodēšanas”

Klīniskā neskaidrība un klīnicista noskaņojums

Pakalpojumu sniedzēji raksta šādas lietas:

  • “iespējams”, “izslēgt”, “aizdomīgs”, “nevar izslēgt”

  • “vēsture”, “statusa ziņojums”, “atrisināts”, “hroniska, bet stabila”

  • "iespējama pneimonija, bet varētu būt arī sirds mazspēja"

Mākslīgais intelekts var nepareizi interpretēt nenoteiktību un pārvērst to par pārliecību. Tā… nav mīļa kļūda.

Vadlīniju nianses (un maksātāja politikas haoss)

Kodēšana nav tikai "tas, kas notika klīniski". Tā ir:

Mākslīgais intelekts, protams, var apgūt modeļus. Taču, kad maksātājs maina noteikumu, cilvēki pielāgojas apzināti. Mākslīgais intelekts pielāgojas gan apjukuma, gan pārliecības vadīts. Tā ir slikta kombinācija.

Problēma ar "vienu trūkstošu teikumu"

Viena rinda var mainīt koda izvēli, DRG, HCC riska uztveršanu vai E/M līmeni. Mākslīgais intelekts to var palaist garām vai, vēl ļaunāk, — secināt. Un secinājumi kodēšanā ir kā tilta būvēšana no želejas. Izskatās labi, līdz uz tā uzkāpj.

Tātad… Vai mākslīgais intelekts aizstās medicīniskos kodētājus? Reālākais rezultāts 🧩

Atgriežoties pie galvenās atslēgvārda frāzes: Vai mākslīgais intelekts aizstās medicīnas kodētājus?
Mana pamatotākā atbilde ir šāda: mākslīgais intelekts vispirms aizvieto darba daļas, pēc tam pārformulē lomas un samazina darbinieku skaitu tikai tur, kur organizācijas izvēlas neieguldīt ietaupīto laiku atkārtoti.

Tulkojums:

  • Dažas organizācijas izmantos mākslīgo intelektu, lai palielinātu caurlaidspēju bez atlaišanas.

  • Daži to izmantos, lai samazinātu izmaksas (un vēlāk risinātu sekas, kas radušās turpmāk).

  • Daži izmantos dažādas iespējas atkarībā no pakalpojumu līnijām

Taču te ir pavērsiens, ko cilvēki nepamana: ja mākslīgais intelekts palielina ātrumu, tas var palielināt arī risku. Šis risks veicina pieprasījumu pēc:

Tātad nomaiņa nav taisna līnija. Tā drīzāk ir kā skrejceliņš sandalēs. Progress ir… bet nedaudz nestabils. 😅

Kas mainās vispirms: stacionārs vs ambulators vs profesionāls 🏥

Ne visi kodēšanas darbi tiek ietekmēti vienādi. Dažas jomas ir vieglāk automatizēt, jo dokumentācija un noteikumi ir strukturētāki.

Ambulatorā un profesionālā

Bieži vien novēro ātrāku automatizāciju, jo:

  • liels apjoms

  • atkārtojamas veidnes

  • strukturētākas datu plūsmas

  • vieglāk lietot uz noteikumiem balstītus labojumus + AI uzvednes ( CMS NCCI labojumi )

Taču E/M izlīdzināšanas, medicīnisko lēmumu pieņemšanas un maksātāju pārbaudes sarežģītība joprojām nodrošina cilvēku būtisku ietekmi. ( CMS MLN006764 – Novērtēšanas un pārvaldības pakalpojumi )

Stacionārs

Stacionārajai kodēšanai ir milzīga mainība:

Mākslīgais intelekts var palīdzēt, taču daudzām slimnīcām “bezkontakta stacionārs” mēdz būt drīzāk sapnis nekā realitāte.

Specializētās joslas

Radioloģija un patoloģija var gūt ievērojamus panākumus, pateicoties strukturētai ziņošanai. Neatliekamās palīdzības nodaļa var būt jaukta — ātras, veidnes piezīmes, bet nesakārtota realitāte.

Slēptais kaujas lauks: atbilstība, auditi un atbildība 🧾

Šeit “aizstāt” kļūst nestabils.

Pat ja mākslīgais intelekts iesaka kodus, atbildība joprojām nonāk konkrētā vietā:

Atbilstības komandas parasti vēlas:

Mākslīgais intelekts to var atbalstīt, bet tikai tad, ja darbplūsma ir veidota tā, lai saglabātu pierādījumus un samazinātu aklu pieņemšanu. ( NIST AI RMF 1.0 )

Nedaudz tieši: ja jūsu mākslīgā intelekta darbplūsma veicina "uzspiedumu spiedogu" izmantošanu, jūs nevis ietaupāt naudu. Jūs aizņematies nepatikšanas. Ar procentiem. 😬 ( GAO-19-277 , CMS CERT programma )

Kā saglabāt vērtību: “mākslīgajam intelektam noturīga” kodētāja prasmju kopa 💪🧠

Ja esat medicīnas kodētājs, kas to lasa ar spiedošu sajūtu krūtīs, lūk, labā ziņa: jūs varat sevi pozicionēt tai darba daļai, kuru mākslīgais intelekts nevar droši uzņemties.

Prasmes, kas labi ietekmē vecumu (pat vidē, kurā dominē mākslīgais intelekts):

Ja mākslīgais intelekts ir kalkulators, tad, labāk veicot matemātiskus uzdevumus, jūs nenovecojat. Jūs kļūstat vērtīgāks, zinot, kad kalkulators kļūdās un kāpēc.

Kā organizācijām vajadzētu ieviest mākslīgo intelektu, nepadarot visus nelaimīgus 😵💫

Ja esat vadības pusē, šeit ir ieviešanas modeļi, kurus esmu redzējis vislabāk darbojamies:

1) Sāciet ar “palīdzēt”, nevis “aizstāt”

Izmantojiet mākslīgo intelektu (AI), lai:

  • diagrammas prioritāšu noteikšana

  • pierādījumi parādās

  • koda ieteikumi ar ticamības rādītājiem

  • darbplūsmas maršrutēšana, pamatojoties uz sarežģītību

2) Veidojiet atgriezeniskās saites cilpas tā, kā jūs to domājat nopietni

Ja kodētāji labo mākslīgā intelekta izvadi, fiksējiet to:

  • kāda veida kļūda

  • kāpēc tas notika

  • kāda dokumentācija to izraisīja

  • cik bieži tas atkārtojas

Citādi rīks nekad neuzlabosies, un visi vienkārši arvien labāk to ignorēs.

3) Segmentēt darbu pēc sarežģītības

Praktiska darbplūsma:

  • zema sarežģītība — lielāka automatizācija

  • vidēja sarežģītība — kodētāja + mākslīgā intelekta pāra darbplūsma

  • augsta sarežģītība — vispirms eksperts kodētājs, tikai pēc tam mākslīgais intelekts (jā, tikai pēc tam)

4) Izmēriet pareizos rezultātus

Ne tikai produktivitāte. Arī:

  • atteikumu rādītāji

  • revīzijas konstatējumi

  • apgāšanās likmes

  • vaicājumu apjoms un atbilžu kvalitāte

  • programmētāja apmierinātība (nopietni) ( CMS CERT programma )

Ja produktivitāte pieaug un atteikumu skaits pieaug arī… tā nav uzvara. Tā ir spīdīga problēma.

Kā izskatās nākotne (bez zinātniskās fantastikas drāmas) 🔮

Neizliksimies, ka nekas nemainīsies. Gan jau mainīsies. Taču stāsts par "programmētāju galu" ir pārāk vienkāršs.

Visticamāk:

  • mazāk tīru koda ievades lomu

  • vairāk hibrīdlomu (kodēšana + audits + analītika + atbilstība)

  • kodēšanas komandas kļūst par datu kvalitātes komandām

  • dokumentācijas integritāte kļūst arvien svarīgāka

  • Mākslīgais intelekts kļūst par standarta kolēģi, kuru jūs uzraugāt, gribat to vai nē ( NIST AI RMF 1.0 , OIG – Vispārējās atbilstības programmas vadlīnijas ).

Un jā, dažos apstākļos dažu darbavietu skaits tiks samazināts. Tā ir reāla daļa. Taču veselības aprūpe mīl regulējumu, mainīgumu, izņēmumus un papīru darbu. Mākslīgais intelekts var tikt galā ar daudz ko… bet veselības aprūpei piemīt talants izgudrot jaunu sarežģītību, it kā tā būtu hobijs.

Lidmašīnas nosēšanās: Vai mākslīgais intelekts aizstās medicīniskos kodētājus? 🧡

Nosēdināsim šo lidmašīnu.

Vai mākslīgais intelekts aizstās medicīniskos kodētājus? Ne gluži tīrā, pilnīgā, zinātniskās fantastikas izpratnē, kā cilvēki to apgalvo. Mākslīgais intelekts noteikti samazinās atkārtotus uzdevumus, paātrinās ikdienas kodēšanu un piespiedīs organizācijas reorganizēt komandas. Tas arī radīs lielāku nepieciešamību pēc uzraudzības, audita, atbilstības aizsardzības, atteikuma stratēģijas un dokumentācijas integritātes darba. ( AHIMA – Datorizētas kodēšanas rīkkopa , OIG – Vispārējās atbilstības programmas vadlīnijas )

Īss kopsavilkums 🧾

Atklāti sakot… ja mākslīgais intelekts jebkad patiesi pilnībā “aizstās” kodēšanu, tas būs tāpēc, ka dokumentācija kļūs perfekta. Un tā ir visreālākā lieta, ko esmu teicis visu dienu 😂 ( CMS MLN909160 – Medicīnisko ierakstu dokumentācijas prasības )

Bieži uzdotie jautājumi

Vai mākslīgais intelekts tuvāko gadu laikā pilnībā aizstās medicīniskos kodētājus?

Maz ticams, ka mākslīgais intelekts tuvākajā laikā pilnībā aizstās medicīniskos kodētājus. Lielākā daļa reālās pasaules ieviešanas koncentrējas uz palīdzību ikdienas, liela apjoma uzdevumos, nevis uz lomas pilnīgu atcelšanu. Kodēšana joprojām prasa spriestspēju, vadlīniju interpretāciju un atbilstības apzināšanos. Praksē mākslīgais intelekts vairāk maina kodētāju darba veidu, nevis to, vai kodētāji ir nepieciešami.

Kā mākslīgais intelekts pašlaik tiek izmantots medicīniskās kodēšanas darbplūsmās?

Mākslīgais intelekts (MI) parasti tiek izmantots, lai ieteiktu kodus, izceltu atbilstošu dokumentāciju, atzīmētu trūkstošo specifiku un izveidotu triāžas diagrammas pēc sarežģītības. Daudzas sistēmas darbojas pēc cilvēka iesaistes modeļa, kurā kodētāji pārskata, pielāgo vai noraida MI ieteikumus. Tas uzlabo ātrumu, nenododot atbildību. Uzraudzība joprojām ir būtiska atbilstības un precizitātes nodrošināšanai.

Kuras medicīniskās kodēšanas daļas mākslīgajam intelektam ir visvieglāk automatizēt?

Mākslīgais intelekts vislabāk darbojas atkārtotās, labi dokumentētās situācijās, piemēram, regulārās ambulatorās vizītēs vai strukturētos speciālistu ziņojumos. Liela apjoma scenārijus, kas balstīti uz konsekventām veidnēm, ir vieglāk automatizēt. Kodu meklēšana, pierādījumu izcelšana un pamata nolieguma modeļu noteikšana parasti ir spēcīgi lietošanas gadījumi. Sarežģīta klīniskā sprieduma pieņemšana joprojām ir sarežģīta.

Kāpēc mākslīgajam intelektam ir grūtības ar sarežģītiem vai neskaidriem medicīniskajiem ierakstiem?

Klīniskajā dokumentācijā bieži ir neskaidrības, pretrunīgas diagnozes un neprecīza valoda. Mākslīgais intelekts var nepareizi interpretēt tādus apzīmējumus kā “iespējams” vai “izslēdzams” kā apstiprinātus stāvokļus. Tas var arī palaist garām vienu kritisku teikumu, kas maina secību vai smaguma pakāpi. Šīs nianses ir atbilstošas ​​kodēšanas pamatā, un tās ir grūti droši automatizēt.

Vai mākslīgais intelekts samazinās medicīniskās kodēšanas sākuma līmeņa darbu skaitu?

Iesācēja līmeņa amatos vispirms var rasties spiediens, jo rutīnas darbs kļūst arvien automatizētāks. Dažas organizācijas var palēnināt darbā pieņemšanu, savukārt citas pārceļ jaunākos kodētājus uz audita atbalsta vai kvalitātes lomām. Ietekme atšķiras atkarībā no organizācijas un pakalpojumu jomas. Karjeras ceļi var mainīties un pārveidoties, nevis izzust.

Kā mākslīgais intelekts ietekmē atbilstību un audita risku medicīniskajā kodēšanā?

Mākslīgais intelekts var palielināt gan ātrumu, gan risku, ja pārvaldība ir vāja. Ātrāka kodēšana bez ilgstošiem pārskatīšanas procesiem var palielināt atteikumu skaitu vai audita risku. Atbilstības komandām joprojām ir nepieciešams izsekojams pamatojums un aizstāvami lēmumi. Cilvēka veikta pārskatīšana, audita takas un skaidra atbildība joprojām ir kritiski svarīgi drošības pasākumi.

Kādas prasmes palīdz medicīnas kodētājiem saglabāt vērtīgumu mākslīgā intelekta atbalstītā vidē?

Prasmes, kas saistītas ar auditēšanu, vadlīniju interpretāciju, maksātāju politikas analīzi un atteikumu pārvaldību, parasti noveco labi. Kodētājus, kuri saprot, kāpēc kods ir pareizs, ne tikai kuru kodu izvēlēties, ir grūtāk aizstāt. Īpašas zināšanas un sadarbība ar klientu datu apstrādes speciālistiem (CDI) arī piešķir vērtību. Daudzas lomas virzās uz kvalitāti un pārvaldību.

Vai “bezkontakta” ​​medicīniskā kodēšana ir reāla lielākajai daļai organizāciju?

Bezkontakta kodēšana var darboties šauros, vienkāršos gadījumos ar skaidru dokumentāciju. Sarežģītu stacionāru vai daudzu slimību pacientu gadījumā tā bieži vien ir nepietiekama. Lielākā daļa organizāciju redz labākus rezultātus ar hibrīdām darbplūsmām. Pilnīga automatizācija parasti palielina nepieciešamību pēc lejupējiem auditiem un labojumiem, nevis novērš darbu.

Atsauces

  1. Ģenerālinspektora birojs (OIG), ASV Veselības un cilvēkresursu departaments — Vispārējās atbilstības programmas vadlīnijas — oig.hhs.gov

  2. Nacionālais standartu un tehnoloģiju institūts (NIST) — Mākslīgā intelekta riska pārvaldības sistēma (AI RMF 1.0) — nist.gov

  3. Nacionālais standartu un tehnoloģiju institūts (NIST) — Ģeneratīvā mākslīgā intelekta profils (NIST AI 600-1) — nist.gov

  4. Medicare un Medicaid pakalpojumu centri (CMS) — medicīnisko ierakstu dokumentācijas prasības (MLN909160) — cms.gov

  5. Medicare un Medicaid pakalpojumu centri (CMS) — 2026. finanšu gada ICD-10-CM kodēšanas vadlīnijas — cms.gov

  6. Medicare un Medicaid pakalpojumu centri (CMS) — Nacionālās pareizas kodēšanas iniciatīvas (NCCI) labojumi — cms.gov

  7. Amerikas Veselības informācijas pārvaldības asociācija (AHIMA) — Datorizētas kodēšanas rīku komplekts — ahima.org

  8. Medicare un Medicaid pakalpojumu centri (CMS) — Visaptveroša kļūdu līmeņa testēšanas (CERT) programma — cms.gov

  9. Medicare un Medicaid pakalpojumu centri (CMS) — Novērtēšanas un pārvaldības pakalpojumi (MLN006764) — cms.gov

  10. ASV Valdības atbildības birojs (GAO) — GAO-19-277 — gao.gov

  11. Medicare un Medicaid pakalpojumu centri (CMS) — Riska korekcija — cms.gov

Atrodiet jaunāko mākslīgo intelektu oficiālajā mākslīgā intelekta palīgu veikalā

Par mums

Atpakaļ uz emuāru