Prestar o Certo Cuidado no Momento Certo

Entendendo a filosofia de "cuidado certo no momento certo"
Planos de saúde e provedores sempre estiveram alinhados com o objetivo comum de fornecer o cuidado certo para seus membros ou pacientes, no momento certo. Para planos de saúde, muitas vezes isso significou aprovar serviços que reduzirão os custos a médio e longo prazo no futuro, enquanto os provedores geralmente buscam fazer o que é melhor para seus pacientes hoje. O que significa "o cuidado certo na hora certa" na era da interoperabilidade em maturação?

Hoje, isso significa utilizar o poder da análise avançada, preditiva e prescritiva para tomar decisões de cuidados mais rapidamente, incluindo para autorização prévia, qualidade do cuidado, coordenação do cuidado ou influenciando as ações tomadas no local de atendimento. Usando aprendizado de máquina tradicional (ML), uma equipe de ciência de dados pode usar transações hospitalares em tempo real para prever a probabilidade de que um paciente atual possa estar em maior risco de readmissão após a alta ou contrair sepse a cada transferência no hospital. Agentes de IA generativa podem ajudar a assistência no apoio à decisão clínica para que o clínico possa prescrever melhor planos de cuidados para um membro em gestão de cuidados com base em uma representação holística do histórico médico do membro, interações em tempo real de cada ponto de contato e aproveitando os resultados baseados em evidências de dados que aumentam as avaliações dos gestores de cuidados e a tomada de decisões.

Para alcançar o “cuidado certo na hora certa”, mandatos de interoperabilidade como o de Pagador para Pagador (CMS-9115-F, CMS-0057-F) promovem a continuidade do cuidado para o membro conforme eles mudam de planos de saúde. Ao usar o HL7 FHIR, os planos podem trocar não apenas reivindicações e informações demográficas, mas também dados clínicos históricos e planos de cuidados ativos. O novo plano, já no primeiro dia, está equipado para tomar uma decisão informada sobre se deve continuar o membro no plano de cuidados existente ou matriculá-lo em um novo. Além disso, o novo plano poderá aprender como esta nova população de membros impactará o ajuste de risco por meio de categorias de condição hierárquica calculadas, HEDIS e outras pontuações de qualidade, médicos de atendimento primário atualmente atribuídos para iniciativas de pagamento baseado em valor, adequação de rede e todas as outras análises que o plano de saúde cria hoje para seus membros. Historicamente, isso teria exigido um tempo significativo de processamento de reivindicações para ser feito com precisão.

Melhor cuidado, menos ônus: O retorno do autorização prévia eletrônico
O mandato de autorização prévia eletrônico CMS-0057 oferece uma oportunidade significativa para melhorar a colaboração entre os provedores de saúde e os pagadores. Ao aproveitar sistemas de EHR amplamente adotados e padrões de troca de dados FHIR, os provedores podem enviar de maneira integrada solicitações de aprovação de serviço ou medicamento diretamente do EHR que não apenas contém os detalhes da solicitação, mas todas as evidências de suporte para atender às exigências de autorização dos planos de saúde.

Por exemplo, uma solicitação de medicamento GLP-1 pode exigir que vários outros medicamentos tenham sido prescritos anteriormente sem uma redução significativa na HbA1c para o Diabetes Tipo 2. Hoje isso pode exigir que um formulário de critérios semelhante a uma pesquisa seja preenchido primeiro, perguntando se o paciente recebeu metformina e os valores trimestrais de HbA1c do paciente antes e depois da primeira prescrição. Isso pode ser seguido por solicitações de relatórios diagnósticos escaneados ou enviados por fax mostrando pouca ou nenhuma mudança ou mesmo um pedido de interação direta entre o provedor e um diretor médico do plano de saúde para discutir o caso em vez de revisar as notas clínicas do provedor.

Esse vai e vem entre a equipe de gestão de utilização dos pagadores e o provedor é ineficiente e cria um ônus administrativo custoso e demorado. Com o FHIR, as prescrições (reivindicações de farmácia), as notas clínicas e os relatórios diagnósticos podem ser embalados como recursos adicionais na solicitação original de medicação GLP-1, permitindo que o pagador tenha todos os dados relevantes necessários para tomar uma decisão imediatamente. Fornecer as evidências diretamente do EHR, juntamente com a solicitação no pacote FHIR, permite aos pagadores analisar e aprovar solicitações usando os dados de origem do paciente de uma maneira mais determinística, transformando os critérios de pesquisa tradicionais em regras de negócio.

Esta mudança de paradigma economizará tempo administrativo para os provedores, minimizará erros e facilitará a transparência, potencialmente levando a aprovações automáticas ou tempos de aprovação significativamente reduzidos para os pagadores. Para casos complexos, os pagadores podem utilizar ML e IA gerativa para enriquecer informações para enfermeiras responsáveis pelo gerenciamento de utilização e diretores médicos, transformando o processo de autorização numa oportunidade de cuidado personalizado ao paciente. No final das contas, menos revisões manuais, aliadas a dados e insights superiores, resultam em aprovações aceleradas, custos reduzidos, redução de encargos administrativos e maior satisfação para pacientes, membros e provedores.

Troca de dados bidirecional: Coordenação de cuidados em todo o ecossistema
Juntos, ambos os mandatos abrem as linhas de comunicação entre pagadores e provedores para colaborar e alinhar sobre os resultados dos pacientes por meio de troca de dados clínicos. Por exemplo, utilizando aprendizado de máquina, um pagador pode recomendar ou até mesmo agendar um exame de saúde ou uma visita a um laboratório para um membro para confirmar um provável novo diagnóstico ou para prevenir um evento adverso provável a curto prazo. Usando IA gerativa e frames de agentes de IA, a observação pode ser embalada como uma transação FHIR junto com qualquer informação de suporte proveniente dos recursos do modelo ML. O pacote FHIR pode então ser enviado para o EHR do provedor para agendamento ou para fornecer insights no local de atendimento em apoio a acordos de pagamento baseado em valor ou iniciativas. No caso das transações de Admissão, Alta & Transferência (ADT), essa oportunidade bidirecional de melhorar os resultados do paciente pode ser realizada em tempo quase real.

Sua plataforma de dados consegue acompanhar?
Os dados necessários para permitir a parceria entre pagador e provedor vêm de muitas fontes e sistemas diferentes e em diferentes formatos. Isso não é apenas um desafio dentro de uma única organização, mas essa complexidade se multiplica exponencialmente ao trocar dados díspares, em diferentes formatos, e provenientes de várias fontes, entre muitas organizações.

Realmente, a capacidade de todas as organizações de saúde trocarem dados rapidamente abre as portas para melhores resultados de pacientes, cuidados preventivos e, portanto, economia de custos. No entanto, gerar, ingerir, analisar e unir dados transmitidos por FHIR a outros dados possivelmente necessários ainda pode ser um desafio. Uma grande barreira para participar de parcerias robustas entre pagadores e provedores são as infraestruturas de dados antiquadas e muitas vezes isoladas no núcleo das organizações de TI dos pagadores. Muitos sistemas administrativos centrais ainda estão em premissa, não são capazes de escalar ou centralizar prontamente dados em ambientes mais ágeis de dados e análise baseados na nuvem. Esses sistemas também aproveitam estruturas proprietárias de dados que não são necessariamente intraoperáveis com outros tipos de dados ou suportam padrões interoperáveis e protocolos de troca.

A extensibilidade do formato FHIR significa que ele pode servir como um superconjunto para toda a troca de dados clínicos, permitindo que cada uma dessas organizações converta e padronize em um formato de dados. Para gerar com sucesso todos os possíveis tipos de recursos para incluir nos pacotes FHIR, uma organização precisa de uma arquitetura de lakehouse bem governada e centralizada para integrar todos os elementos juntos. Isso pode exigir atualizações em tempo quase real para que os tomadores de decisão clínica tenham os dados clínicos mais atualizados trocados na ponta dos dedos. A ingestão e análise de FHIR precisa ser eficiente, não apenas para uso em aplicações, mas também para estar prontamente disponível para análise e aprendizado de máquina. Embora excelente para transações entre organizações, o formato FHIR apresenta desafios significativos para analistas e cientistas de dados usar em sua forma nativa.

Exemplos dessa interoperabilidade em ação
Enquanto o FHIR padroniza muitos conceitos para troca de dados clínicos na forma de tipos de recursos, ele deixa aberto para interpretação exatamente quais elementos dos tipos de recursos devem ser preenchidos consistentemente e como. Por exemplo, para obter extensibilidade e flexibilidade, muitos dos tipos de recursos contêm um elemento de "extensão" que permite que qualquer dado adicional relevante seja incluído que não esteja formalmente modelado no próprio tipo de recurso. O elemento "extensão" também pode incluir uma extensão em si, permitindo pontos de dados profundamente aninhados sem um esquema consistente. Frequentemente, essas extensões podem conter informações críticas como sexo de nascimento, gênero, raça ou etnia exigidas para relatórios da NCQA. Além disso, a ordem e o número de tipos de recursos no pacote podem variar entre os tipos de pacotes e a organização que os gera. Isso significa que os métodos padrão de "esquema na leitura" não funcionam em mais de um arquivo FHIR JSON, pois cada um apresenta seu próprio esquema único. As origens distintas dos dados clínicos, abrangendo várias organizações, apresentam desafios na integração com os dados corporativos existentes. Esses desafios decorrem de variações nos identificadores de pessoa únicos entre organizações e do potencial para entradas de dados duplicadas que parecem distintas devido à incompletude ou representações diferentes de informações idênticas em vários sistemas, como um usando SNOMED e outro usando ICD-10 para um diagnóstico. Devido a essas questões, muitas organizações tiveram dificuldades para aproveitar o poder de seus dados clínicos para uso nos casos de uso de análises mencionados acima.

Arquitetura da Plataforma Abacus

Modernizando sua base de dados de pagadores antes dos prazos da CMS-0057-F
Para enfrentar os desafios exclusivos de dados de pagadores, a Abacus Insights fez parceria com a Databricks para entregar uma plataforma moderna de gerenciamento de dados de pagadores baseada na nuvem que suporta interoperabilidade em escala. A fundação de dados utilizáveis do Abacus suporta os pagadores no cumprimento total do mandato de Interoperabilidade e Autorização Prévia da CMS, enquanto libera valor estratégico de negócios além da conformidade. Com a plataforma Abacus, os dados clínicos e administrativos necessários para operacionalizar as APIs CMS-0057, podem ser enriquecidos, transformados e direcionados para permitir casos de uso de negócios além da conformidade - gerenciamento de qualidade, desempenho de ajuste de risco, relatórios financeiros e reconciliação, análises de saúde/população baseada em valor, etc.

A missão da Abacus é libertar silos de dados e permitir colaboração em tempo real entre organizações pagadoras e provedoras - um objetivo que se baseia nos requisitos do Mandato CMS-0057-F. Nossa plataforma de dados baseada na nuvem é capaz de migrar dados desses sistemas administrativos principais para a nuvem e unificar estruturas de dados díspares de maneira agnóstica ao caso de uso, permitindo aos pagadores usar um único feed de dados para qualquer caso de uso. A competência central é integrações entre muitos sistemas díspares, tanto dentro da infraestrutura central de um pagador quanto em relação a seus sistemas externos de insights e parceiros provedores. Juntas, essas capacidades criam uma base de dados à prova de futuro que suporta a conformidade hoje e a inovação competitiva amanhã. — Vinny Tumminello, VP Adjunto de Estratégia de Solução - Interoperabilidade CMS, Abacus Insights

Na Databricks, costumam me perguntar não apenas qual é a melhor maneira de ingerir e integrar todas as fontes de dados díspares necessárias para análises avançadas e aplicações de IA, mas também qual é a melhor maneira de modelar esses dados. Quando penso na Abacus e sua oferta única Construído na Databricks, é sobre ir de zero a sessenta em uma lakehouse bem arquitetada e mantida que integra 85% ou mais do que analistas e cientistas de dados em um pagador precisarão para começar a trabalhar em casos de uso de dados clínicos. É sobre tempo-valor, e quando você implanta a Abacus em sua conta Databricks, você obtém a mesma governança centralizada e segurança com o Catálogo Unity para todos os seus dados e ativos de IA sem que nenhum dos seus dados clínicos saia do seu ambiente. — Matthew Giglia, Arquiteto de Soluções, Databricks

Transforme a conformidade da interoperabilidade do CMS em uma vantagem estratégica de negócios
Quando olhamos para janeiro de 2027 como a data efetiva do mandato de Interoperabilidade e Autorização Prévia CMS-0057-F, a questão não é puramente uma de conformidade. Será que os pagadores aproveitarão o momento de chamado para ação facilitado pela conformidade CMS para modernizar sua infraestrutura, possibilitando mais casos de uso operacionais e analíticos em tempo real que preenchem a lacuna de coordenação entre pagadores e provedores? Ou será esta outra experiência de Acesso do Paciente (CMS-9115-F) - cronogramas de implementação longos, adoção mínima e valor comercial limitado além da conformidade CMS?

Nossa missão é capacitar os pagadores para não apenas marcar a caixa de conformidade, mas também facilitar a modernização de sua fundação de dados para extrair mais valor de seus dados. Juntos, ajudamos a possibilitar casos de uso de negócios que se concentram estrategicamente em impulsionar os resultados e a experiência enquanto abordamos o custo de cuidados que está aumentando rapidamente.

Entre em contato conosco para ver como o Abacus no Databricks pode acelerar seus casos de uso de interoperabilidade.

(This blog post has been translated using AI-powered tools) Original Post