通过对支付倾向的预测来增加收款

自付是卫生系统坏账的主要原因

在美国有保险的工作年龄成年人中，28%的人保险不足，其中超过一半的人有医疗债务。¹高免赔额的医疗计划和共同支付增加了自付医疗费用的患者比例。²这些自付账户现在是医院和卫生系统坏账的主要来源，^3.这相当于全国550多亿美元。⁴

Allina Health是一个非营利性的医疗保健系统，通过其65个诊所、49个康复中心、23个医院诊所、12家医院、15家药店和两个流动护理中心为患者提供从出生到生命结束的护理。卫生系统需要一种战略，以更好地预测自费帐户支付的可能性，并采取适当的后续收集行动，以取得最大的成功。

预测支付倾向

Allina Health的财务代表每月试图为20万名患者收取未支付的余额。虽然该组织有良好的程序来联系那些余额未清的患者，但它无法将干预措施针对那些更有可能支付账单的人。

针对与之互动的账户类型和患者的专注策略将有所帮助，但Allina Health无法部署付费倾向的预测模型。一些效率较低的流程，比如带有定制对话的陌生电话，被用作收取款项的一种策略。

Allina Health之前曾与几家不同的供应商合作，开发和部署一个预测模型，该模型将允许医疗系统使用倾向支付策略，但他们被证明不成功。这些公司无法有效地利用艾利纳健康的复杂数据，无法以一种能产生可靠、有效的支付倾向预测模型的方式解释信息。

Allina Health要想成功地使用策略驱动的过程来收集患者，就需要一个准确可靠的支付倾向预测模型。

机器学习驱动改进的策略

Allina Health依赖于Health C世界杯葡萄牙vs加纳即时走地atalyst^®数据操作系统(DOS™)平台，支持其改进工作。世界杯厄瓜多尔vs塞内加尔波胆预测为了建立一个能够成功部署支持支付倾向策略的预测模型，Allina Health与Health Catalyst合作，选择了它的Healthcare。世界杯葡萄牙vs加纳即时走地AI™解决方案。

创建一个预测模型

支付倾向机器学习模型使用人工智能来预测患者在该月支付账单的概率。Allina Health从其分析平台获得的数据，包括50万例培训案例，被用于开世界杯厄瓜多尔vs塞内加尔波胆预测发预测模型。然后，来自组织和Health Catalyst的主题专家(SME)根据SME的医疗保健、财务和分析经验为预测模型世界杯葡萄牙vs加纳即时走地选择变量。

随机森林基尼杂质指数采用构建决策树的算法来确定将哪些变量纳入最终模型。测试了77个输入变量，其中46个被纳入到最终模型中。接下来，采用随机森林模型计算每个变量对患者错过支付的概率的相对影响。作为准确性度量的模型性能AUROC达到了0.88，作为精度和质量度量的AUPR也达到了0.70。

确保这些信息与当前系统集成，来自预测模型的数据每天与Allina Health的EMR和患者陈述平台交换，促进使用自动拨号器、EMR工作队列和患者陈述平台的工作流程。世界杯厄瓜多尔vs塞内加尔波胆预测这有助于财务代表应用正确的自付策略。

确定支付倾向

在开发预测支付倾向的模型时，财务团队的成员对数据进行了验证，然后将数据划分为支付倾向的各个部分，并对每个部分应用了收集策略。这些倾向分类和可能采用的策略包括:

• 高:根据数据显示，这些患者极有可能支付医疗费，Allina Health不会自动呼叫这些患者，而是保留资源与可能不支付医疗费的患者联系
  无需与财务代表进行额外的互动。
• 中:代表们在未偿付余额转为坏账的45天前致电这些患者，在最后通知期的15天前致电。
• 中低型:Allina Health为按照其支付计划指导方针支付的患者实施了一个假定的支付计划工作流程，但尚未参与有助于防止这些患者发展成坏账的正式计划。
• 低:低倾向性患者从不付款，总是进展到坏账。Allina Health可以避免将有限的资源用于支付，因为这些患者此前已经表明他们不会支付。在未偿还的余额被转到坏账之前，代表就会联系这些患者。

使用支付倾向预测模型，Allina Health还可以识别之前接受过慈善护理或医疗援助的患者。这使代表能够以更及时的方式向患者发送有关慈善护理的信息。Allina Health通过定制的拨号活动跟踪这些患者，询问他们是否有问题或需要帮助。

结果

支付倾向机器学习预测模型与Allina Health的支付倾向策略相结合，使财务团队能够将收款工作集中在更有可能支付的患者身上。没有将资源分配给那些要么不经干预就支付结余，要么不经干预就不支付账单的患者。这一信息使Allina Health能够充分利用其有限的资源，提高所提供服务的费用。结果包括:

• 增加200万美元在一年的收藏中，包括超过66万美元的额外病人支付通过电话催收在前两个月实现了倾向支付机器学习算法和催收策略43.2%的相对改善。
• 37.5%的相对改善在呼出数中。
• 21%的相对改善在呼入数中。
• 倾向于支付的机器学习模型提高了与愿意、有能力和有兴趣支付账单的患者打交道的能力，增加了呼入电话的数量。

”考虑一下策略以及如何划分患者群体。最好有更多的细分市场，并找出接触每个细分市场的最佳方式。病人的参与程度可以预测他们支付账单的可能性。”

芭芭拉球
应收帐款服务总裁

接下来是什么

Allina Health正在继续改进其倾向支付策略和预测模型。该医疗系统计划将在线患者门户供应商的数据发送回health Catalyst，并将其纳入预测模型，从而增强对患者与Allina health合作并为所获得的服务付费的世界杯葡萄牙vs加纳即时走地可能性的预测。

参考文献

1、3。尤因，C.(2017)。医院寻求减少坏账的新方法，关注自付病人．贝克尔医院评论．
2.布拉德利，P.(2013)。4个步骤，利用医院自身的患者数据来改善自费收款．贝克尔医院评论．
4.美国医院名录。(2017)。数据趋势-坏账费用基准．HFMA杂志．