Pattern Intelligence: scoperta non supervisionata, interpretata da LLM, di pattern sistematici di sottopagamento e di rifiuto delle richieste di rimborso nella gestione del ciclo dei ricavi sanitari

Abstract degli autori

Gli operatori sanitari perdono ricavi considerevoli a causa di pagamenti sistematicamente inferiori al dovuto e di richieste di rimborso respinte dagli enti pagatori. Individuare gli schemi ricorrenti e correggibili alla base di questi problemi resta però un’attività in gran parte manuale, che non è in grado di gestire i volumi di richieste degli ospedali. Presentiamo Pattern Intelligence, un sistema già in uso che scopre tali schemi senza supervisione, raggruppando le richieste in base al comportamento degli enti pagatori nella loro valutazione, anziché alla loro identità. Ogni richiesta è rappresentata da un vettore a 130 dimensioni che combina, per ciascuna voce, il rapporto tra pagamento atteso ed effettivo, i codici dei motivi di rettifica delle richieste (CARC), gli indicatori di rifiuto e pagamento e la composizione dei servizi. L’identità dell’ente pagatore e del contratto è deliberatamente esclusa dalla metrica di distanza: mostriamo che domina la geometria e riduce i cluster a banali gruppi distinti per ente pagatore. La reintroduciamo solo in una segmentazione a posteriori, per contratto e tipo di visita, che mantiene coerente e utilizzabile ogni schema individuato. Usiamo HDBSCAN per formare i cluster, recuperiamo strutture dall’insieme classificato come rumore con un secondo passaggio di raggruppamento in sottocluster e filtriamo le assegnazioni poco affidabili. Un modello linguistico di grandi dimensioni traduce ogni centroide in una descrizione pronta per gli analisti delle procedure prevalenti, dei motivi di rettifica e del tipo di problema. Rileviamo un risultato ricorrente: a seconda del tenant e della segmentazione, tra circa un terzo e la metà delle richieste di importo elevato respinte forma una coda lunga irriducibile che nessuna delle configurazioni di clustering basato sulla densità o delle rappresentazioni da noi provate riesce a raggruppare. Sosteniamo che si tratti di una proprietà del settore, non di una carenza del modello. Valutiamo la validità analizzando la coerenza dei cluster e quantifichiamo l’impatto con una metrica delle opportunità recuperabili ($) su due tenant in produzione, con circa 10K e 157K richieste, nell’ambito di un’implementazione su sei tenant. Il contributo non è un nuovo algoritmo, ma una formulazione del problema, un’intuizione sulla progettazione della rappresentazione e risultati empirici ottenuti in produzione.