国产精品永久免费视频观看-国产精品永久免费视频-国产精品一区二区资源-国产精品一区二区在线观看-国产三级在线免费-国产三级在线看

被拒絕的保險索賠對于提供者和付款人來說是一個令人頭疼的問題，最終也會影響到患者。

拒絕和相關的返工會導致付款延遲，并導致過度緊張的供應商和員工精疲力竭。根據Crowe Horwath的一項研究，拒絕服務的付款延遲，即最終在拒絕解決后付款時，會對現金流產生深遠影響，比未被拒絕的索賠平均需要多 16.4天的支付時間有限責任合伙。這種平均延遲的費用和現金流影響至少相當于供應商成本結構的 1%。

據估計，有50%到65%的拒絕從未奏效，從而導致提供商的收入損失。

同時，拒絕和上訴的問題給支付者帶來了不必要的管理成本，并與他們的供應商網絡和成員產生了摩擦。

Anomaly是一家使用人工智能來簡化醫療賬單和支付流程的初創公司，它開發了一種技術解決方案來解決這個問題。該公司的人工智能技術稱為智能響應，可為提供商提供實時響應，預測可操作的拒絕和支付金額——因此提供商可以在拒絕發生之前糾正和避免拒絕。

Anomaly的聯合創始人兼首席執行官Jacob Shiff在接受采訪時表示，該軟件通過與付款人、實踐管理軟件和索賠清算所集成，直接在提供商的本地工作流程中運行。

“任何與醫療保健系統打過交道的人都知道，計費和付款實際上只是一團糟，一團糟的否認、上訴、被追回的多付索賠和向上調整的少付索賠。這個系統對每個人來說真的很痛苦，醫生、保險公司，最重要的是患者，這會影響醫療保健本身的負擔能力，”他說。

“Anomaly專注于消除這種摩擦，讓醫療保健支付對每個人都更有效。因此，我們開發了一些強大的人工智能功能，可以分析索賠流程中的數十億筆交易，以便在與支付相關的問題發生之前預測和預防它們，”希夫說。

行業報告和Anomaly的分析發現，超過10%的索賠通常被拒絕，這是一個日益嚴重的問題，與日益增加的計費復雜性和新冠肺炎等中斷有關。雖然這給提供者和支付者都帶來了問題，但最終患者經常被夾在中間，導致拒絕通知甚至余額賬單的壓力增加。

Anomaly的平臺成立于2020年，使用機器學習來搜索醫療賬單中的違規行為，以防止超額支付和賬單錯誤。

根據《美國醫學會雜志》2019年發布的一份報告，此類支付錯誤每年造成超過3000億美元的不必要支出，每花費1美元約10美分。

“想象一下，如果你的信用卡就是這種情況——如果你每個月都收到你的賬單，而你10%的費用是不正確的，”Shiff去年秋天告訴Fierce Healthcare。“這確實是當今醫療保健的現狀。”

根據MGMA、PNC金融服務、CMS、咨詢委員會公司和HFMA的行業報告，重新處理索賠的平均成本已超過 25 美元。根據Anomaly的研究，每次拒絕的行政費用（包括上訴和支持電話）平均花費支付者6到20美元。

Anomaly專注于使用其AI索賠預測引擎來開發多付預測，使付款人能夠通過從以前多付的索賠中學習來預測和防止多付，以及即時付款，這將使供應商能夠在索賠提交后立即獲得付款。

該公司表示，10月，該公司在A輪和種子輪融資中籌集了1700萬美元，以擴大團隊、開發技術并與更多付款人合作。

該公司總部位于紐約市，并得到Redesign Health和投資者RRE、Link Ventures、Madrona和Declaration Partners的支持。

Anomaly的智能響應技術專注于幫助供應商預測潛在拒絕的來源，使他們能夠在提交之前進行更正。Anomaly還看到付款人對在整個供應商網絡中部署該軟件感興趣，以便在索賠到達他們之前減少可避免的拒絕和返工。

該公司的AI索賠預測引擎分析數千個參數和數十億個索賠，以了解每個提供商的付款人特定規則和細微差別。通過持續實時分析數據，智能響應技術保持最新狀態，并自動適應不斷變化的趨勢和新的付款人規則。據Shiff稱，基于對截至2022年6月超過1000億美元的賬單費用的分析，Smart Response以超過97%的準確度準確預測索賠行拒絕和原因。

該引擎專注于可操作的拒絕場景，并且能夠在數千個付款人、所有50個州和所有業務線（商業、醫療保險和醫療補助）中實現高達一半的拒絕（召回）總次數的精確度。到公司。

Shiff說，該公司目前擁有使用該產品的測試合作伙伴，包括索賠清算所、多專業提供商組織和區域付款人。

Anomaly計劃擴展其引擎以預測最終支付金額和患者責任，這將進一步提高所有利益相關者支付流程的透明度。

“我們計劃做的是構建這個智能醫療保健支付層，以實現快速、準確的醫療保健支付，并最終降低每個人的醫療保健成本和復雜性，”Shiff說。

有許多公司專注于使用技術來解決計費和醫療保健支付問題。Shiff表示，Anomaly的AI索賠預測引擎為該問題提供了一種差異化的方法。

“該行業的許多參與者正在使用更傳統的基于規則的方法。我們的人工智能驅動方法，當非常有意識地應用時，比這些方法更有優勢，特別是當我們考慮動態學習付款人和提供商特定的細微差別時，”他說。