Ar dirbtinis intelektas pakeis medicinos koduotojus?

Ar dirbtinis intelektas pakeis medicinos koduotojus?

Trumpas atsakymas:
DI visiškai nepakeis medicininių koduotojų, tačiau pakeis darbo atlikimo būdą. Kai dokumentacija yra įprasta ir struktūrizuota, DI gali atlikti pasikartojančius veiksmus; kai bylos yra sudėtingos, ginčytinos ar audituojamos, žmogaus sprendimas išlieka pagrindinis. Vaidmuo pasikeičia prieš išnykstant darbuotojų skaičiui.

Svarbiausios išvados:

Užduočių automatizavimas : dirbtinis intelektas imasi pasikartojančio kodavimo darbo, sukurdamas erdvę daug sprendimų reikalaujančiai peržiūrai ir išimčių tvarkymui.

Žmonių atskaitomybė : programuotojai išlieka atsakingi už auditus, apeliacijas, atmetimus ar atitikties klausimus.

Pareigų evoliucija : kodavimo vaidmenys kinta audito, konfidencialumo nustatymo (CDI), atsisakymų valdymo, politikos interpretavimo ir valdymo srityse.

Rizikos valdymas : greitesnis kodavimas gali padidinti atitikties riziką, jei greitis viršija priežiūrą, o žmonių atliekama peržiūra sumažėja.

Karjeros atsparumas : gairių išmanymas, mokėtojų politikos išmanymas ir audito stiprybė išlieka ilgalaikiais, labai paklausiais įgūdžiais.

Ar dirbtinis intelektas pakeis medicinos koduotojus? Infografika.
Straipsniai, kuriuos galbūt norėsite perskaityti po šio:

🔗 Kaip dirbtinio intelekto kodas atrodo praktiškai
Peržiūrėkite dirbtinio intelekto sugeneruoto kodo pavyzdžius ir ko tikėtis.

🔗 Geriausi dirbtinio intelekto kodo peržiūros įrankiai geresnei kokybei
Palyginkite geriausius įrankius, kurie aptinka klaidas ir pagerina atsiliepimus.

🔗 Geriausi dirbtinio intelekto įrankiai be kodo, kuriuos galima naudoti be kodavimo
Vykdykite išmanias darbo eigas naudodami dirbtinio intelekto įrankius – programavimo nereikia.

🔗 Kas yra kvantinis dirbtinis intelektas ir kodėl jis svarbus
Supraskite kvantinio dirbtinio intelekto pagrindus, naudojimo atvejus ir pagrindines rizikas.

Ar dirbtinis intelektas pakeis medicinos koduotojus? Ką praktiškai reiškia žodis „pakeisti“ 🤔

Kai žmonės klausia „Ar dirbtinis intelektas pakeis medicinos koduotojus?“ , jie paprastai turi omenyje vieną iš šių teiginių:

  • Pakeisti personalą – iš viso reikia mažiau programuotojų

  • Pakeisti užduotis – darbas keičiasi, bet programuotojai lieka

  • Pakeiskite atsakomybę – dirbtinis intelektas priima paskutinius sprendimus, o žmonės tik stebi

  • Pakeiskite pradinio lygio vaidmenis – pirmiausia keičiasi procesas 😬

Stebėdamas komandas diegiant automatizavimą, pastebėjau, kad didžiausias pokytis retai kada būna „programuotojų išnykimas“. Greičiau
įprastas programavimas tampa greitesnis , kraštutiniai atvejai – garsesni , o auditas tampa visų etatiniu šešėliu . ( OIG – Bendrosios atitikties programos gairės )

Dirbtinis intelektas puikiai moka kartoti. Kodavimas yra ne tik kartojimas. Kodavimas yra kartojimas plius vertinimas plius laikymasis plius mokėtojo keistumas plius „kodėl tai yra raštelyje“ paslapčių sprendimas. 🕵️♀️

Taigi, taip, dirbtinis intelektas gali pakeisti dalį darbo. Visiškas profesijos pakeitimas yra visai kas kita.

Kas daro dirbtinio intelekto medicininio kodavimo versiją gerą? ✅

Jei kalbame apie „gerą“ dirbtinio intelekto versiją medicininiam kodavimui, tai ne ta, kuri pasižymi efektingiausia rinkodara. Tai ta, kuri elgiasi kaip patikimas bendradarbis, kuris nepanikuoja, nehaliucinuoja ir rodo savo darbą. ( NIST AI RMF 1.0 , NIST Generative AI Profile (AI 600-1) )

Gera dirbtinio intelekto kodavimo sistema (arba darbo eiga) paprastai turi:

  • Stipri klinikinė NLP, kuri tvarko nepaklusnius užrašus (diktavimą, šablonus, kopijavimo ir įklijavimo tekstus 🍝)

  • Kodo pasiūlymai su pagrindimu (ne tik kodas, bet ir kodėl)

  • Pasitikėjimo vertinimas su ribomis, kurias galite koreguoti

  • Atitikties ir mokėtojų atsakymų audito takai CMS MLN909160 – medicininių įrašų dokumentacijos reikalavimai )

  • Taisyklių ir gairių suderinimas (TLK-10-CM, CPT, HCPCS, NCCI redagavimai, mokėtojų politika... visas tas chaosas 🎪) ( CMS 2026 finansinių metų TLK-10-CM kodavimo gairės , CMS NCCI redagavimai )

  • Žmogus-in-the-loop valdikliai , kad programuotojai galėtų priimti, modifikuoti arba atmesti ( NIST AI RMF 1.0 )

  • Integracija, kuri nesugadina visų dienos (elektroninė sveikatos įrašų saugykla, kodavimo įrenginys, klientų aptarnavimo centras, atsiskaitymo sistema)

Jei įrankis negali pats savęs paaiškinti, jis nieko saugiai nepakeičia. Jis tik greičiau sukelia nerimą. ( NIST generatyvinio dirbtinio intelekto profilis (AI 600-1) )

Palyginimo lentelė: geriausios dirbtinio intelekto padedamo kodavimo parinktys (ir kur jos tinka) 📊

Žemiau pateikiama praktinė įprastų dirbtinio intelekto pagalba kodavimo metodų palyginimo lentelė. Ji nėra ideali... nes nėra ir įgyvendinimas.

Įrankis / metodas Geriausia auditorijai Kaina Kodėl tai veikia (ir kas erzina)
CAC su NLP (kompiuteriniu programavimu) Ligoninės HIM + stacionarinės komandos $$$$ Puikiai tinka norint rasti tikėtinus TLK-10-CM kodus; tam tikrais atvejais gali būti užtikrintai klaidingas ( AHIMA – Kompiuterinio kodavimo įrankių rinkinys )
Kodavimo įrenginys su dirbtinio intelekto pasiūlymais Profesionalūs programuotojai, kurie jau žino taisykles $$-$$$ Pagreitina paiešką ir skatina redagavimą; vis tiek reikia smegenų, atsiprašau 😅
Taisyklės + automatizavimas (redagavimas, sujungimas, patikrinimas) Pajamų ciklas + atitiktis $$ Pastebi akivaizdžias klaidas; „nesupranta“ klinikinių niuansų ( CMS NCCI redagavimas )
LLM stiliaus dokumentacijos santraukos CDI + kodavimo bendradarbiavimas $$ Padeda apibendrinti ir išryškinti diagnozes; gali praleisti svarbią detalę... pavyzdžiui, katė, ignoruojanti savo vardą ( NIST generatyvinio dirbtinio intelekto profilis (AI 600-1) ).
Automatinis mokesčių surinkimas + pretenzijų šalinimo priemonės Ambulatorinių/profesionalių pacientų darbo eigos $$-$$$$ Padeda sumažinti atmetimų skaičių; kartais per daug tikrina ir sulėtina pralaidumą ( CMS CERT programa )
Specializuotų specialybių modeliai (radiologijos, kelio, skubios pagalbos) Didelės apimties nišos $$$$ Didesnis tikslumas siaurose juostose; išorinėje juostoje šiek tiek vingsta
Žmogaus ir dirbtinio intelekto „porinio kodavimo“ darbo eiga Komandos modernizuojasi be chaoso $-$$$ Optimalus taškas; reikalauja mokymų ir valdymo, kitaip jis dings ( NIST AI RMF 1.0 )
Visiškai bekontakčiai kodavimo bandymai Vadovai, kurie mėgsta ataskaitų suvestines $$$$$ Gali veikti paprastais atvejais; sudėtingus atvejus vis tiek galima išspręsti žmonėms (staigmena!) ( AHIMA – Kompiuterinio kodavimo įrankių rinkinys )

Pastebėjote modelį? Kuo labiau „bekontakčiu“ principu siekiama, tuo daugiau valdymo reikės, kad būtų išvengta sulėtėjusios atitikties problemos. Smagu. ( OIG – Bendrosios atitikties programos gairės )

Kodėl dirbtinis intelektas išties geras kai kuriose programavimo srityse 😎

Suteikime DI pripažinimą ten, kur jis užsitarnautas. Yra sričių, kuriose jis iš tiesų yra stiprus:

1) Šablonų atpažinimas dideliu mastu

Didelio masto, pasikartojantys susidūrimai su nuoseklia dokumentacija? Dirbtinis intelektas dažnai gali pasiekti rezultatų:

  • Įprastos diagnostikos kodavimas, skirtas dažnoms ligoms

  • nesudėtingas procedūrų kodavimas, kai dokumentacija yra tvarkinga

  • greitai rasti patvirtinamuosius įrodymus (laboratoriniai tyrimai, vaizdiniai tyrimai, problemų sąrašai)

2) „Medžioklės“ pagreitinimas

Net patyrę programuotojai laiką skiria paieškai:

  • kur yra tiekėjo pareiškimas

  • kur čia specifika?

  • Kas patvirtina medicininį būtinumą

  • Kur tas po velnių lateralumas 😩

Dirbtinis intelektas gali išryškinti atitinkamas linijas, pažymėti trūkstamą specifiškumą ir sumažinti slinkimo nuovargį. Tai nėra žavinga, bet tai tikras produktyvumas.

3) Neigimo prevencijos modeliai

Dirbtinis intelektas gali išmokti tokius modelius kaip:

Programuotojai tai jau daro mintyse. Dirbtinis intelektas tiesiog daro triukšmingiau ir greičiau.

Kodėl dirbtiniam intelektui sunku tvarkyti dalis, už kurias mokama programuotojams 😬

O dabar kita pusė. Automatizavimą paprastai sutrikdo tos pačios dalys, kurios skiria „kodo įvedimą“ nuo „programavimo“

Klinikinis dviprasmiškumas ir gydytojo įspūdžiai

Paslaugų teikėjai rašo tokius dalykus kaip:

  • „tikėtina“, „atmesti“, „įtartina“, „negalima atmesti“

  • „ankstesnė būklė“, „statuso įrašas“, „išspręsta“, „lėtinė, bet stabili“

  • „tikėtinas plaučių uždegimas, bet taip pat gali būti CHF“

Dirbtinis intelektas gali neteisingai interpretuoti neapibrėžtumą ir paversti jį tikrumu. Tai... ne pati mieliausia klaida.

Gairių niuansai (ir mokėtojo politikos chaosas)

Kodavimas nėra tik „tai, kas įvyko kliniškai“. Tai yra:

Dirbtinis intelektas, žinoma, gali išmokti modelių. Tačiau kai mokėtojas pakeičia taisyklę, žmonės prisitaiko sąmoningai. Dirbtinis intelektas prisitaiko su pasimetimu ir pasitikėjimu savimi. Tai blogas derinys.

„Vieno trūkstamo sakinio“ problema

Viena eilutė gali pakeisti kodo pasirinkimą, DRG, HCC rizikos fiksavimą arba E/M lygį. Dirbtinis intelektas gali to nepastebėti arba, dar blogiau, – padaryti išvadą. O išvados kode yra tarsi tilto statymas iš drebučių. Atrodo gerai, kol ant jo neužlipi.

Taigi… Ar dirbtinis intelektas pakeis medicinos koduotojus? Realiausias rezultatas 🧩

Grįžtant prie pagrindinės frazės: ar dirbtinis intelektas pakeis medicinos koduotojus?
Mano geriausias pagrįstas atsakymas yra toks: dirbtinis intelektas pirmiausia pakeičia darbo dalis, tada pertvarko pareigas ir sumažina darbuotojų skaičių tik tose vietose, kur organizacijos nusprendžia nereinvestuoti sutaupyto laiko.

Vertimas:

  • Kai kurios organizacijos naudos dirbtinį intelektą, kad padidintų našumą be atleidimų iš darbo.

  • Kai kurie tai panaudos išlaidoms mažinti (ir vėliau susidoros su pasekmėmis).

  • Kai kurie darys mišinį, priklausomai nuo aptarnavimo linijų

Tačiau štai vienas dalykas, kurio žmonės nepastebi: jei dirbtinis intelektas padidina greitį, jis taip pat gali padidinti riziką. Ta rizika skatina paklausą:

Taigi pakeitimas nėra tiesi linija. Tai labiau panašu į bėgimo takelį su basutėmis. Progresas... bet šiek tiek nestabilus. 😅

Kas keičiasi pirmiausia: stacionarinis, ambulatorinis ir profesionalus gydymas 🏥

Ne visi kodavimo darbai yra vienodai paveikti. Kai kurias sritis lengviau automatizuoti, nes dokumentacija ir taisyklės yra labiau struktūrizuotos.

Ambulatorinis ir profesionalus

Dažnai matomas greitesnis automatizavimas, nes:

  • didelis tūris

  • kartojami šablonai

  • labiau struktūrizuoti duomenų srautai

  • lengviau taikyti taisyklėmis pagrįstus redagavimus + dirbtinio intelekto raginimus ( CMS NCCI redagavimai )

Tačiau E/M lygiavimo, medicininių sprendimų priėmimo ir mokėtojų tikrinimo sudėtingumas vis dar išlaiko žmones labai svarbius. ( CMS MLN006764 – Vertinimo ir valdymo paslaugos )

Stacionarinis

Stacionarinis kodavimas yra labai įvairus:

Dirbtinis intelektas gali padėti, tačiau „bekontaktis stacionaras“ daugeliui ligoninių yra labiau svajonė nei realybė.

Specializuotos juostos

Radiologijos ir patologijos skyriai gali pasiekti didelės naudos dėl struktūrizuoto ataskaitų teikimo. Skubioji pagalba gali būti mišri – greiti, šabloniniai užrašai, bet netvarkinga realybė.

Paslėptas mūšio laukas: atitiktis, auditai ir atskaitomybė 🧾

Čia „pakeisti“ tampa neaišku.

Net kai dirbtinis intelektas siūlo kodus, atskaitomybė vis tiek lieka kažkur konkrečiai:

Atitikties komandos paprastai nori:

Dirbtinis intelektas gali tai palaikyti, bet tik tuo atveju, jei darbo eiga sukurta taip, kad būtų išsaugoti įrodymai ir sumažintas aklas priėmimas. ( NIST AI RMF 1.0 )

Šiek tiek tiesmukai: jei jūsų dirbtinio intelekto darbo eiga skatina bandymus primesti savo klaidas, jūs ne taupote pinigus. Jūs skolinatės bėdą. Su palūkanomis. 😬 ( GAO-19-277 , CMS CERT programa )

Kaip išlikti vertingam: „DI atsparių“ programuotojo įgūdžių rinkinys 💪🧠

Jei esate medicininis koduotojas, skaitantis tai su spaudimo jausmu krūtinėje, štai gera žinia: galite tinkamai pasiruošti tai darbo daliai, kurios dirbtinis intelektas negali saugiai atlikti.

Įgūdžiai, kurie ilgai išlieka (net ir dirbtinio intelekto aplinkoje):

Jei dirbtinis intelektas yra skaičiuotuvas, geriau mokėdami matematiką nepasenstate. Jūs tampate vertingesni žinodami, kada skaičiuotuvas klysta ir kodėl.

Kaip organizacijos turėtų įdiegti dirbtinį intelektą, nepadarydamos visų nelaimingų 😵💫

Jei esate lyderystės pusėje, čia pateikiami įgyvendinimo modeliai, kurie, mano manymu, veikia geriausiai:

1) Pradėkite nuo „padėti“, o ne „pakeisti“

Naudokite dirbtinį intelektą:

  • diagramų prioritetizavimas

  • įrodymai iškyla

  • kodo pasiūlymai su pasitikėjimo balais

  • darbo eigos nukreipimas pagal sudėtingumą

2) Kurkite grįžtamojo ryšio ciklus taip, lyg būtumėte nuoširdūs

Jei programuotojai pataiso dirbtinio intelekto išvestį, užfiksuokite, kad:

  • kokio tipo klaida

  • kodėl tai atsitiko

  • kokie dokumentai tai paskatino

  • kaip dažnai tai kartojasi

Kitaip įrankis niekada netobulės ir visi tiesiog išmoks jį ignoruoti.

3) Segmentuoti darbą pagal sudėtingumą

Praktinis darbo eigos aprašymas:

  • mažas sudėtingumas – daugiau automatizavimo

  • vidutinio sudėtingumo – programuotojo ir dirbtinio intelekto poros darbo eiga

  • didelis sudėtingumas – pirmiausia patyręs programuotojas, po to dirbtinis intelektas (taip, po to)

4) Išmatuokite tinkamus rezultatus

Ne tik produktyvumas. Taip pat:

  • atsisakymo rodikliai

  • audito išvados

  • apvertimo rodikliai

  • užklausų kiekis ir atsakymų kokybė

  • programuotojo pasitenkinimas (rimtai) ( CMS CERT programa )

Jei kyla produktyvumas ir kartu daugėja atsisakymų... tai nėra laimėjimas. Tai blizganti problema.

Kaip atrodo ateitis (be mokslinės fantastikos dramų) 🔮

Neapsimeskime, kad niekas nepasikeis. Taip, pasikeis. Tačiau „programuotojų pabaigos“ naratyvas yra pernelyg paprastas.

Labiau tikėtina:

  • mažiau vien kodo įvedimo vaidmenų

  • daugiau hibridinių vaidmenų (kodavimas + auditas + analitika + atitiktis)

  • programavimo komandos tampa duomenų kokybės komandomis

  • Dokumentacijos vientisumas tampa svarbesniu dalyku

  • Dirbtinis intelektas tampa standartiniu bendradarbiu, kurį prižiūrite, patinka jums tai ar ne ( NIST AI RMF 1.0 , OIG – Bendrosios atitikties programos gairės )

Taip, kai kuriose aplinkose bus sumažintas darbo vietų skaičius. Tai tikra. Tačiau sveikatos apsauga mėgsta reguliavimą, kintamumą, išimtis ir popierizmą. Dirbtinis intelektas gali susidoroti su daug kuo... bet sveikatos apsauga turi talentą išrasti naujų sudėtingumų, tarsi tai būtų hobis.

Lėktuvo nusileidimas: ar dirbtinis intelektas pakeis medicinos koduotojus? 🧡

Nusileiskite šį lėktuvą.

Ar dirbtinis intelektas pakeis medicinos koduotojus? Ne tokiu aiškiu, visapusišku, mokslinės fantastikos stiliumi, kaip žmonės jį įsivaizduoja. Dirbtinis intelektas neabejotinai sumažins pasikartojančias užduotis, paspartins įprastą kodavimą ir privers organizacijas reorganizuoti komandas. Jis taip pat padidins priežiūros, audito, atitikties gynybos, neigimo strategijos ir dokumentacijos vientisumo darbo poreikį. ( AHIMA – Kompiuterinio kodavimo įrankių rinkinys , OIG – Bendrosios atitikties programos gairės )

Trumpa apžvalga 🧾

Be to, atvirai kalbant... jei dirbtinis intelektas kada nors visiškai „pakeis“ kodavimą, tai bus todėl, kad dokumentacija tapo tobula. Ir tai pats nerealiausias dalykas, kurį esu sakęs visą dieną 😂 ( CMS MLN909160 – medicininių įrašų dokumentacijos reikalavimai )

DUK

Ar per ateinančius kelerius metus dirbtinis intelektas visiškai pakeis medicinos koduotojus?

Mažai tikėtina, kad dirbtinis intelektas artimiausiu metu visiškai pakeis medicininius koduotojus. Dauguma realių diegimų sutelkti į pagalbą atliekant įprastas, didelio masto užduotis, o ne visiškai panaikinant šį vaidmenį. Kodavimas vis dar reikalauja nuovokos, gairių interpretavimo ir atitikties supratimo. Praktiškai dirbtinis intelektas labiau keičia koduotojų darbo būdą, o ne tai, ar koduotojų reikia.

Kaip dirbtinis intelektas šiuo metu naudojamas medicininio kodavimo darbo eigoje?

Dirbtinis intelektas (DI) dažniausiai naudojamas kodams siūlyti, atitinkamai dokumentacijai išryškinti, trūkstamam specifiškumui pažymėti ir sudėtingumo tvarkaraštį sudaryti. Daugelyje sistemų veikia žmogus-ciklas modelis, kai koduotojai peržiūri, koreguoja arba atmeta DI pasiūlymus. Tai padidina greitį neperkeliant atsakomybės. Priežiūra išlieka labai svarbi atitikčiai ir tikslumui užtikrinti.

Kurias medicininio kodavimo dalis dirbtiniam intelektui lengviausia automatizuoti?

Dirbtinis intelektas geriausiai veikia su pasikartojančiais, gerai dokumentuotais atvejais, tokiais kaip įprasti ambulatoriniai vizitai ar struktūrizuotos specializuotos ataskaitos. Didelės apimties scenarijus, pagrįstus nuosekliais šablonais, lengviau automatizuoti. Kodo paieška, įrodymų išryškinimas ir pagrindinis neigimo modelių aptikimas paprastai yra stiprūs naudojimo atvejai. Sudėtingas klinikinis vertinimas išlieka iššūkiu.

Kodėl dirbtiniam intelektui sunku dirbti su sudėtingais arba dviprasmiškais medicininiais įrašais?

Klinikinėje dokumentacijoje dažnai pasitaiko netikrumo, prieštaringų diagnozių ir netikslios kalbos. Dirbtinis intelektas gali neteisingai interpretuoti tokius apibrėžimus kaip „galimas“ arba „atmesti“ kaip patvirtintas sąlygas. Jis taip pat gali praleisti vieną svarbų sakinį, kuris pakeičia seką ar sunkumą. Šie niuansai yra esminiai reikalavimus atitinkančio kodavimo elementai ir juos sunku saugiai automatizuoti.

Ar dirbtinis intelektas sumažins pradinio lygio medicininio kodavimo darbo vietų skaičių?

Pradedančiojo lygio pareigybės pirmiausia gali pajusti spaudimą, nes įprastas darbas tampa vis labiau automatizuotas. Kai kurios organizacijos gali sulėtinti įdarbinimą, o kitos perkelia jaunesniuosius programuotojus į audito palaikymo ar kokybės užtikrinimo pareigas. Poveikis priklauso nuo organizacijos ir paslaugų srities. Karjeros keliai gali keistis ir keisti kryptis, o ne išnykti.

Kaip dirbtinis intelektas veikia medicininio kodavimo atitiktį ir audito riziką?

Dirbtinis intelektas gali padidinti ir greitį, ir riziką, kai valdymas silpnas. Greitesnis kodavimas be ilgalaikių peržiūros procesų gali padidinti atmetimų skaičių arba audito riziką. Atitikties komandoms vis tiek reikia atsekamo pagrindimo ir pagrįstų sprendimų. Žmonių peržiūra, audito seka ir aiški atskaitomybė išlieka svarbiausiomis apsaugos priemonėmis.

Kokie įgūdžiai padeda medicinos koduotojams išlikti vertingiems dirbtinio intelekto aplinkoje?

Įgūdžiai, susiję su auditu, gairių aiškinimu, mokėtojų politikos analize ir atsisakymų valdymu, paprastai sensta. Koduotojus, kurie supranta, kodėl kodas yra teisingas, o ne tik kurį kodą pasirinkti, sunkiau pakeisti. Specializuotos žinios ir bendradarbiavimas su CDI taip pat prideda vertės. Daugelyje pareigų siekiama kokybės ir valdymo.

Ar „bekontaktis“ medicininis kodavimas yra realus daugumai organizacijų?

Bekontaktis kodavimas gali tikti siauriems, paprastiems atvejams, kai reikia tvarkingos dokumentacijos. Sudėtingiems stacionariniams ar daugiafunkciniams pacientams jis dažnai nepasiteisina. Dauguma organizacijų pasiekia geresnių rezultatų taikydamos hibridinius darbo eigą. Visiškas automatizavimas dažniausiai padidina tolesnių auditų ir taisymų poreikį, o ne pašalina darbą.

Nuorodos

  1. Generalinio inspektoriaus biuras (OIG), JAV Sveikatos ir žmogiškųjų paslaugų departamentas – Bendrosios atitikties programos gairės – oig.hhs.gov

  2. Nacionalinis standartų ir technologijų institutas (NIST) – Dirbtinio intelekto rizikos valdymo sistema (AI RMF 1.0) – nist.gov

  3. Nacionalinis standartų ir technologijų institutas (NIST) – generatyvinio dirbtinio intelekto profilis (NIST AI 600-1) – nist.gov

  4. Medicare ir Medicaid paslaugų centrai (CMS) – medicininių įrašų dokumentų reikalavimai (MLN909160) – cms.gov

  5. Medicare ir Medicaid paslaugų centrai (CMS) – 2026 finansinių metų TLK-10-CM kodavimo gairės – cms.gov

  6. Medicare ir Medicaid paslaugų centrai (CMS) – Nacionalinės teisingo kodavimo iniciatyvos (NCCI) redagavimas – cms.gov

  7. Amerikos sveikatos informacijos valdymo asociacija (AHIMA) – Kompiuterinio kodavimo įrankių rinkinys – ahima.org

  8. Medicare ir Medicaid paslaugų centrai (CMS) – Išsami klaidų dažnio testavimo (CERT) programa – cms.gov

  9. Medicare ir Medicaid paslaugų centrai (CMS) – Vertinimo ir valdymo paslaugos (MLN006764) – cms.gov

  10. JAV vyriausybės atskaitomybės tarnyba (GAO) – GAO-19-277 – gao.gov

  11. Medicare ir Medicaid paslaugų centrai (CMS) – Rizikos koregavimas – cms.gov

Raskite naujausią dirbtinį intelektą oficialioje dirbtinio intelekto asistentų parduotuvėje

Apie mus

Atgal į tinklaraštį