L’obtention d’une autorisation préalable d’un assureur maladie pour un examen ou une procédure médicale représente une charge importante pour les prestataires de soins et peut avoir un impact négatif sur les résultats des patients en provoquant des retards de traitement. Dans une enquête menée en 2022 par l’American Medical Association, 89 % des médecins interrogés ont déclaré que les autorisations préalables ont « un impact négatif quelque peu ou significatif » sur les résultats cliniques, 33 % des médecins déclarant que l’autorisation préalable a entraîné un événement indésirable grave pour un patient dont ils ont la charge.
Le processus fastidieux d’autorisation préalable crée également de graves problèmes opérationnels pour les organisations prestataires : 88 % des médecins interrogés par l’AMA décrivent la charge de travail liée à l’autorisation préalable comme étant élevée ou extrêmement élevée. En plus de créer des problèmes administratifs inutiles, les retards dans l’autorisation préalable peuvent sérieusement perturber le cycle de revenus d’une organisation prestataire, car elle doit attendre une approbation avant de fournir des soins au patient, puis soumettre une réclamation au payeur. Ce processus long et imprévisible entraîne de graves problèmes de trésorerie qui peuvent se révéler catastrophiques pour les organisations prestataires fonctionnant avec des marges faibles.
Préparation aux nouvelles règles CMS
Pour accélérer le processus d’autorisation préalable, le CMS a finalisé de nouvelles règles qui obligent les assureurs à prendre des décisions d’autorisation préalable dans les 72 heures pour les demandes urgentes et dans les sept jours pour les demandes non urgentes (la moitié des 14 jours actuels pour les demandes non urgentes). En outre, les payeurs doivent développer des interfaces de programmation d’application d’autorisation préalable pour les fournisseurs, divulguer la raison du refus d’une demande et signaler les mesures d’autorisation préalable au CMS.
Ces nouvelles règles, qui entreront en vigueur en 2026, devraient profiter aux prestataires et aux patients en raccourcissant le processus (et en permettant une plus grande transparence). Néanmoins, pour tirer pleinement parti du délai d’autorisation préalable accéléré, les prestataires doivent intensifier leurs processus internes afin de s’assurer qu’ils peuvent évoluer tout en maintenant le contrôle de la qualité des demandes d’autorisation préalable et des recours en cas de refus. Compte tenu des graves pénuries de personnel auxquelles sont confrontées les organisations de prestataires – qui entraînent des retards, de l’épuisement professionnel et des taux d’erreur élevés – les solutions technologiques sont la meilleure voie à suivre pour rationaliser le processus d’autorisation préalable tout en atteignant leur objectif de contrôle des coûts des soins de santé.
Les prestataires de soins confient généralement à du personnel la tâche de rechercher, de compléter ou de corriger les données des patients afin de répondre à une demande d’autorisation préalable ou de répondre à un refus. Ce processus fastidieux prend du temps, est sujet à des erreurs, nécessite une surveillance, coûte de l’argent et augmente le risque pour les patients dont les résultats peuvent dépendre d’un traitement rapide. Il est également mal adapté à la gestion du volume important et en croissance rapide des données de santé générées aujourd’hui.
Heureusement, les progrès des grands modèles linguistiques (LLM), combinés à de multiples capacités d’intelligence artificielle et d’automatisation, donnent aux prestataires les outils numériques pour accélérer le processus d’autorisation préalable, qui est ralenti par des données patients manquantes et incorrectes.
L’un des défis de la récupération des informations pour une demande d’autorisation préalable ou un appel de refus est que 80 % des données des patients du DSE sont sous forme non structurée. Les premières versions des logiciels de traitement du langage naturel n’étaient pas capables d’interpréter les données médicales non structurées. La manière hautement structurée avec laquelle les premiers logiciels de traitement du langage naturel génèrent les données rend leur utilisation difficile. Pour obtenir les informations nécessaires, par exemple, il faut généralement naviguer dans une base de données SQL, une compétence qui fait défaut à de nombreux cliniciens et au personnel de soutien.
Un tout autre problème se pose lorsque l’on utilise des mots-clés. La recherche de mots comme « hépatite » ou « cancer » peut générer des centaines de résultats, dont la plupart ne sont pas pertinents pour l’état actuel du patient. Pour les cliniciens sur le lieu de soins, ces résultats de recherche volumineux et de mauvaise qualité font perdre du temps et compliquent leur travail.
En revanche, l’IA médicale utilisant des LLM peut comprendre, extraire et résumer les données non structurées du DSE grâce à des invites en langage naturel. L’IA médicale permet de fournir le contexte et les nuances cachés dans les données non structurées auxquelles le traitement naturel du langage naturel traditionnel ne peut pas accéder. Il est essentiel que les résultats de l’IA médicale incluent des preuves vérifiables et vérifiables à partir des données sources. L’automatisation de ce processus élimine la nécessité pour le personnel du cycle de revenus de rechercher et d’insérer des données non structurées dans les demandes PA. Les algorithmes LLM peuvent générer des sorties de données en quelques minutes, voire en quelques secondes.
Tenir les humains informés
L’IA médicale peut non seulement extraire des données cliniques, mais aussi découvrir des données sur les déterminants sociaux de la santé qui peuvent être utilisées pour éclairer les décisions d’autorisation préalables. L’IA médicale est capable d’analyser des ensembles de données massifs provenant de sources multiples, ce qui permet aux cliniciens de créer des plans de soins personnalisés en fonction des circonstances spécifiques de chaque individu.
Dans une étude récente menée au Mass General Brigham, les chercheurs ont découvert que, par rapport aux « codes de diagnostic saisis sous forme de données structurées, les données extraites de texte identifiaient 91,8 % de patients supplémentaires présentant un syndrome de détresse respiratoire sévère (SDoH) indésirable ».
Ainsi, dans le cas où l’IA médicale révèle qu’un patient souffrant d’une maladie cardiaque a des problèmes chroniques de transport, par exemple, les cliniciens peuvent élaborer un plan de soins qui comprend une surveillance à distance et/ou des technologies connectées, des visites de télésanté, des soins à domicile et, si nécessaire, des dispositions pour les déplacements vers et depuis les rendez-vous. Cela permet de garantir que le patient continue de recevoir les soins appropriés.
De même, l’IA médicale peut également être déployée pour trouver les données cliniques ou les données de santé publique nécessaires pour prévenir et faire appel des refus. Grâce à l’IA médicale et à l’automatisation, les prestataires peuvent déterminer si un patient répond à tous les critères d’autorisation préalable – tels que les résultats de laboratoire ou une lettre de nécessité médicale – et que toutes les données nécessaires sont incluses beaucoup plus rapidement que si le personnel était chargé de collecter ces informations.
Mais quelle que soit l’avancée des technologies médicales, elles ne pourront jamais remplacer complètement les humains. Et ce n’est pas l’objectif de l’IA médicale. Si l’IA médicale et les LLM peuvent aider les employés des organisations prestataires de soins en récupérant et en organisant des quantités inimaginables de données, les humains doivent toujours être impliqués dans la boucle clinique.
Conclusion
L’autorisation préalable est depuis longtemps le fléau des prestataires. Les nouvelles règles du CMS, qui devraient entrer en vigueur en 2026, obligeront les payeurs à prendre des décisions beaucoup plus rapides concernant les autorisations préalables. Pour profiter de ces délais accélérés, les prestataires doivent disposer des bons outils. L’IA médicale peut être déployée dans le cycle de revenus pour rationaliser le processus et augmenter l’efficacité globale.
Kim Perry est le directeur de la croissance d’emtelligent.
Bibliographie :
L’économie morale des élites dirigeantes.,A lire. . Disponible sur internet.
La chronique se veut reproduite du mieux possible. Si par hasard vous avez envie d’apporter des notes concernant le thème « Entreprises de Marseille », il est possible de joindre notre journaliste responsable. Pour vous tenir informés, cet article à propos du sujet « Entreprises de Marseille », vous est fourni par wtc-marseille-provence.com. La mission de wtc-marseille-provence.com est de rassembler sur internet des infos autour de Entreprises de Marseille et ensuite les diffuser en essayant de répondre au mieux aux questions que tout le monde se pose. Il y aura de nombreux autres développements sur le sujet « Entreprises de Marseille » prochainement, nous vous incitons à naviguer sur notre site internet dès que possible.
