Uitgewerkt voorbeeld. Dit is een illustratief uitgewerkt voorbeeld, geen klantresultaat. De kliniekgroep en elk cijfer erin zijn aannames. Het laat AI voor voorafgaande machtiging zien: software die een patiëntdossier leest, de feiten ophaalt die een verzekeraar vraagt en het dossier samenstelt. Het beslist niet over medische noodzaak en dient niets zelfstandig in. Een coördinator keurt goed.
Stel je een kliniekgroep met meerdere locaties voor waar het voorbereiden van dossiers voor voorafgaande machtiging traag gaat. Neem ter illustratie aan dat coördinatoren hun tijd kwijt zijn aan het overnemen van feiten tussen een patiëntdossier, een verzekeraarsportaal en een checklist. Dit artikel loopt het ontwerp door en wat je meet. Het meldt geen resultaat.
De groep is hypothetisch, dus er is geen klant om te noemen. één detail telt zwaarder dan een naam: de pipeline haalt feiten op en stelt samen, maar dient nooit automatisch in. Een coördinator keurt elk dossier goed, en elke run bewaart een auditlog van wat het model las en wat het produceerde.
#Waar gaat de tijd heen bij een machtigingsdossier?
Begin met meten, niet met bouwen. Kijk hoe coördinatoren een steekproef van dossiers voorbereiden en tijd elke stap. Het schrijven gaat snel. Het zoeken, lezen en overtypen is traag.
- Het patiëntdossier lezen om de diagnose, de mislukte medicatie en de notities van de voorschrijvend arts te vinden.
- Die feiten afstemmen op de eisen van de specifieke verzekeraar, die per polis verschillen.
- Alles overtypen in het dossier en het portaal en daarna dubbelchecken, verspreid over onderbrekingen.
- Wachten. Een half opgebouwd dossier blijft liggen tot de coördinator er weer aan toekomt.
Het doel was dus nooit "sneller schrijven". Het was "stop met iemand laten zoeken naar gegevens die al in het dossier staan".
#Hoe verlaagt AI voor voorafgaande machtiging het voorbereidingswerk?
Hoe verkort AI de voorbereidingstijd voor voorafgaande machtiging?
Het leest het patiëntdossier, haalt de klinische feiten op die de verzekeraar eist en stelt het dossier op zodat een coördinator nakijkt in plaats van overtypt. Een kliniekgroep zou voorbereidingstijd en uren van coördinatoren vóór en na meten. De coördinator keurt elke indiening nog steeds goed voordat die de verzekeraar bereikt.
De pijplijn doorloopt vier stappen: haal de relevante gegevens uit het dossier, stel ze samen in het pakketformaat van de verzekeraar, valideer of verplichte velden aanwezig en onderling consistent zijn, en stuur het pakket vervolgens naar de goedkeuringswachtrij van een coördinator. Niets verlaat die wachtrij zonder dat een mens op goedkeuren klikt.
Het ontwerp gebruikt hetzelfde documentverwerkingspatroon als onze uitgewerkte voorbeelden over logistieke claims en onboarding, afgestemd op een gereguleerde zorgsector. De vorm staat beschreven op onze pagina over ai-implementatie: ophalen, valideren, routeren, wachtrij met menselijke goedkeuring. Het verschil hier is het auditlog. Omdat het zorg is, leg je elk veld vast dat het model las en elk veld dat het schreef, zodat een controleur elke regel in het dossier kan terugvoeren naar de bron in het patiëntdossier.
#Wat gebeurt er als de AI een gegeven fout heeft?
Het wordt opgevangen, omdat een mens het leest. Dat is het hele punt van de goedkeuringswachtrij. Reken erop dat een deel van de opgestelde dossiers een coördinator nodig heeft om een veld te corrigeren of aan te vullen, en volg dat percentage. Dat is geen falen van de pipeline. Dat is de pipeline die zijn werk doet: snel een concept leveren zodat een mens zijn tijd aan nakijken besteedt in plaats van aan zoeken.
We are
Stennir bouwt een documentverwerkingspijplijn die prior-auth-pakketten opstelt zodat een coördinator ze kan goedkeuren, met een volledig audittraject.
We aren't
Stennir is geen bot die automatisch indient, die over medische noodzaak beslist of zelfstandig claims indient bij een verzekeraar.
Er staat hier geen klantcitaat, omdat er geen klant is. De test van het ontwerp is of coördinatoren stoppen met het overtypen van het patiëntdossier terwijl het model niets beslist.
#Wat zou een kliniekgroep meten?
Voorbereidingstijd per dossier en uren van coördinatoren, vóór en na, op dezelfde klinieken, met dezelfde coördinatoren en dezelfde verzekeraarsmix, met de nulmeting vastgelegd voordat er iets verandert. Zo onderscheid je een echte verbetering van een demo. Hier wordt geen resultaat geclaimd.
Als je de operatie van een kliniekgroep leidt en je team patiëntdossiers overtypt in verzekeraarsportalen, past dit bij die vorm van werk. We beginnen met meten, zoals dit voorbeeld, voordat we iets bouwen. Hoe we dat aanpakken lees je op onze pagina over ai-consultancy, en hoe we denken in de rest van het journal. Klinkt dit als jouw week, vertel ons wat je bouwt.
