Davranışsal sağlık büyük bir iş. Talep muazzam (ve büyüyor). Peki, o zaman bu işi yürütmek neden hâlâ bu kadar zor?
ABA hizmeti sunan (ayrıca PT, KBB, SUD ve Kardiyoloji) uzman bakım klinikleri ciddi operasyonel zorluklarla karşı karşıya. Bu kliniklerin ödeme almak için kullandığı yapay zeka tabanlı gelir döngüsü platformunu inşa etme deneyimimizle bu zorluklara biraz ışık tutabiliriz. Görünen o ki, geri ödeme marjlarındaki küçük farklılıklar, sürdürülebilir bir klinik kurup işletmek ile bunun tam tersi arasındaki farkı yaratabiliyor.
Uygulamalı davranış analizine, yani ABA'ya bir bakalım: otizmin birinci basamak tedavisi olan yoğun, bire bir, saatlik terapi.
Akılda tutulması gereken ilk şey, davranışsal sağlık kliniklerinin talep eksikliğinden mustarip olmadığıdır. Tam tersine: Kliniklerin karşılaştığı en büyük zorluklardan biri, bire bir tedaviye yönelik artan talebi karşılayacak nitelikli klinisyen ve personelin kronik olarak eksik olmasıdır.
İkinci en büyük zorluk, Camber'in devreye girdiği nokta: son derece yoğun klinisyenlerin sunduğu tüm hizmetler için kliniklerin sigorta tarafından geri ödeme almasını sağlamak. Zamanında ve eksiksiz ödeme almak, bir kliniğin açık kalması ile kapanması arasındaki fark olabilir (ve dolayısıyla bir çocuğun terapisini sürdürüp sürdürmemesi arasındaki fark). Başka bir deyişle, zamanında ve yeterli geri ödeme almak bu işe girmek ve bu işte kalmak için hayati önem taşır.
Sigortadan geri ödeme konusundaki sıkıntı yalnızca ABA'lara özgü değil, ancak bu alanda özellikle keskin. Bu klinikler oldukça yeni, marjlar ince ve sigorta ortamı son derece karmaşık ve çok büyük farklılıklar içeriyor. Camber'in tam da parladığı nokta burası.
Klinisyen Geri Ödemesi Aşırı Değişken ve Karmaşık
Noktayı açıklamak gerekirse, bu tür bir tedavi söz konusu olduğunda, aynı sigorta şirketi eyalete bağlı olarak aşırı farklı tutarlar geri ödüyor:
Dört farklı sigortacı için, herhangi bir sigortacının birebir aynı hizmet için geri ödediği tutarlar arasındaki yüksek-düşük fark 2,09X ile 1,35X arasında değişiyordu.
Başka bir deyişle, aynı sigortacı bir eyalette aynı hizmet için kliniğe başka bir eyalette ödediğinin iki katından fazlasını ödüyor. Mesele şu ki bu, içinden çıkılması basit bir sistem değil ve doğru yapmak muazzam finansal sonuçlar doğurabilir.
"Talep Reddedildi" Sorun Değil, Ama "Daha Fazla Bilgi Gerekli" Maaş Ödeyip Ödeyememek Arasındaki Fark Olabilir
Sigorta denilince akla gelen en yaygın korku, taleplerin reddedilmesidir; bu yüzden reddedilen taleplerin aslında o kadar da büyük bir sorun olmadığını öğrenmek şaşırtıcı gelebilir. Taleplerin büyük çoğunluğu aslında onaylanıyor:
Tipik bir klinik için taleplerin yalnızca ~%3'ü doğrudan reddediliyor. Uç noktalarda ret oranı oldukça yüksek, ancak bu çoğu kliniğin deneyimi değil.
Peki, geri ödeme sürecinde sürtüşmeye neden olan talep reddi değilse, o zaman ne?
Asıl sıkıntı, reddedilmeyen ancak yeniden işlenmesi gereken taleplerden geliyor. Bu önemli ve genellikle yeterince takdir edilmeyen bir nokta. Bir sigortacı, verilen tedavinin hasta için doğru olduğu konusunda herkes hemfikir olduğu için bir talebi onaylayabilir, ancak o zaman pazarlık başlar. Kodlar doğru mu? Bilgiler eksiksiz ve doğru mu? Tüm formlar yerinde mi? Ve yine, her sigortacı biraz farklı pazarlık eder ve bazen aynı sigortacılar aynı tedavi için hastaya bağlı olarak farklı pazarlık eder.
Klinikler özensiz ya da tembel değil. Gerçek şu ki sistem çok karmaşık.
Talepleri Yeniden Sunmak Maliyetli ve Getiriler Giderek Azalıyor
Burada da yeniden işleme sıkıntısı marjlarda ortaya çıkıyor, ancak marjlar oldukça büyük:
Veriler, taleplerin yaklaşık %72'sinin "temiz" geçtiğini, sigorta şirketlerinin kalan ~%28'inde klinikten ek çalışma talep ettiğini gösteriyor.
İnce marjlı bir iş için alacakların üçte birine yakınının evrak işleri belirsizliğinde olması çok büyük bir mesele.
Ve bu sorunları manuel olarak çözmenin maliyeti son derece yüksek, getiriler ise hızla azalıyor:
Bazı tahminlere göre, idari sorunların manuel çözümü, otomatik alternatifin 6,3 katına kadar maliyetli olabiliyor – tam otomasyon yalnızca yıllık ~21 milyar $ tasarruf sağlardı.
Ayrıca, talep çözümü bu kadar manuel olduğu için, tek bir talebe ne kadar çok zaman harcanırsa, nihayetinde geri kazanılan $ o kadar az oluyor:
Tek bir yeniden gönderim, geri ödemeyi yarıdan fazla kesiyor. Evrak 3-4 kez ileri geri gönderilirse, kliniğin nihayetinde geri kazandığı dolar payı, talebin ~%25'i oluyor (genellikle hizmetin fiilen verilmesinden aylar sonra).
Yine, klinikler ince marjlı, kaynakları kısıtlı, emek yoğun hizmetler. Emeğin %30'u evrak arafında takılıp kalıyorsa ve bunu düzeltmek için daha da fazla (pahalı) emek zamanı gerekiyorsa, daha iyi, daha ucuz ve daha hızlı talep işlemenin bir ABA kliniği için ölüm kalım farkı olabileceğini söylemenin abartı olmadığını görebilirsiniz. Bu %30'luk "takip gerekli" oranını düşürmek ve bu takibin maliyetini azaltıp etkinliğini artırmak, çocukların terapi alıp almaması açısından son derece önemlidir.
Daha İyi Faturalama Teknolojiyle Çözülebilir Bir Sorun ve Camber En Çok Önem Taşıyan Yerde Operasyonel İyileştirme Sağlıyor
Camber'in verileri de bunun kesinlikle teknolojiyle çözülebilir bir sorun olduğunu gösteriyor.
Tüm sıkıntıya taleplerin %30'u neden oluyorsa, bu %30'luk dilimdeki en yaygın kusurlara bir bakın:
Reddedilenlerin yaklaşık %20'si (ve dolarların %20'si) bilgi ve belgeleme etrafında dönüyor. Kapsam ve akreditasyon sorunları sırasıyla ikinci ve üçüncü sırada yer alıyor.
Bunlar, büyük ölçüde geri ödeme sürecinin karmaşıklığından kaynaklanan idari hatalardır ve teknolojiyle, özellikle de öğrenen teknolojiyle (Camber'in ki gibi) fazlasıyla çözülebilir niteliktedir. Talepleri doğru yapmak için yalnızca kural tabanlı bir mantık olsaydı, bu daha az sorun olurdu – şüphesiz kodlanmış sigortacı kuralları ve otomatik temizleme/kontroller yardımcı olur, ancak asıl engel her sigortacının çeşitli tuhaflıklarına karşı bir his geliştirmektir.
Sürekli öğrenen bir teknolojinin neden bu kadar kritik olduğunu bilmemizin bir nedeni, kliniklerin işte kaldıkça bu süreçte daha da iyiye gitmesidir:
2 yıl sonra, bir klinik ilk denemede başarı oranını %77'den %92'ye kadar yükseltiyor.
Talep geri ödeme sürecinde ustalaşmak, öğrenilmiş bir meslek gibidir. İki yıllık iş başı eğitiminin ardından, bir kliniğin arka ofisi daha sorunsuz bir sunum için gereken çetrefilli bilgilerin çoğunu öğrenebilir. Ancak bakım sunumu perspektifinden bakıldığında, bu süreç pahalı ve zaman alıcıdır – birçok yeni kurulmuş kliniğin ne zamanı ne de ölçeği buna izin verir – ve tek bir sistem uzmanının ayrılması, kliniği yıllarca geriye götürebilecek batık bir maliyet anlamına gelir.
Ancak Camber ile faturalama ustalığına giden öğrenme eğrisi katlanarak dikleşiyor:
Camber'e geçişten yalnızca iki ay sonra, manuel müdahale gerektiren taleplerin payı yarıdan fazla azalıyor. Ve bu, Camber en baştan devreye girdiğinde gereken manuel işin doğası hakkında hiçbir şey söylemiyor.
Hepsini bir araya koyunca, Camber'in ABA ekosisteminde neden bu kadar değerli bir rol oynadığını görmek kolay. Camber, bir kliniğin ödeme alma operasyonel maliyetini büyük ölçüde azaltır, bunu çok daha hızlı yapar ve bir klinisyenin faturalama ekibinin kilit bir üyesinin tatile çıkıp çıkmayacağı, emekli olup olmayacağı ya da başka bir klinik tarafından kapılıp kapılmayacağı konusunda kabuslar görmesini gerektirmez.
Davranışsal sağlıkta ödeme almak basit bir işlem değildir. Haftalarca süren ve çok sayıda etkileşim içeren bir sürecin çıktısıdır ve her doların ne kadarının hayatta kaldığı, kliniğe olduğu kadar eyalete ve sigortacıya da bağlıdır.
Uzman bakımda marjın çoğu, herkesin izlediği ret oranında değil, bu boşlukta yaşar. Daha fazla bakım talep ettikçe, bu boşluğun neden olduğu acı güçlü ama görünmezdi. Şimdi, talep ile dolar arasındaki boşluğu köprülediğimiz için bunu görebiliyoruz. Zor kısım hiçbir zaman talep değildi. Karşılığında ödeme almaktı. Bu, nihayet değişiyor.
Bu çalışmadaki ortaklığınız için @a16z'ye teşekkürler!
