Simplificando os dados de assistência médica e gerenciamento de reivindicações: Introdução ao Databricks x12 EDI Ember

EDI e seu papel no ecossistema de saúde

O Intercânge de Dados Eletrônicos (EDI) é um método de troca de dados semiestruturado, permitindo que organizações de saúde, como pagadores, provedores, and so forth., compartilhem perfeitamente informações transacionais vitais eletronicamente. Sua abordagem padronizada garante precisão e consistência nas operações de saúde. As transações EDI usadas para várias operações de saúde incluem:

• Submissões de reivindicações, remessa e inscrição de benefícios (837, 835, 834)
• Verificações de elegibilidade (270, 271)
• Transferências eletrônicas de fundos (EFTs)

Com o mercado international de EDI de assistência médica, superará US $ 7 bilhões até 2029, impulsionada pelo aumento de submissões de reivindicações, a adoção de APIs e os mandatos regulatórios, os fluxos de trabalho de EDI eficientes são mais essenciais do que nunca para escalar submissões de reivindicações, atender às demandas regulatórias e alojar a colaboração em saúde actual. As organizações de saúde aproveitam o EDI para conduzir funções financeiras operacionais essenciais para serviços e pagamentos. Além disso, reivindicações, remessas e informações de inscrição poderão muitos programas analíticos a jusante, como transportes de trabalho de integridade de pagamento, atendimento baseado em valor (VBC) e acordos de rede estreitos e medidas de qualidade como dados de eficácia da saúde e conjunto de informações (HEDIS) e classificações de estrelas do Medicare. É importante ressaltar que, à medida que mais provedores se envolvem em VBCs, eles têm uma necessidade maior de ingerir e analisar perfeitamente EDIs.

Apesar dos avanços tecnológicos em andamento, os principais desafios permanecem na maneira como as organizações de saúde interagem com os dados do EDI. Primeiro, o processo de troca e adjudicação – desde o envio de reclamações ao pagamento – permanece demorado e fragmentado. Segundo, as informações de EDI semiestruturadas geralmente são difíceis de acessar devido ao seu formato, complexidade e ferramentas limitadas para transformá-las em dados prontos para análises. Por fim, muitos dos dados EDI são consumidos apenas a jusante dos sistemas de adjudicação proprietários, que oferecem transparência limitada e restringem as organizações de obter informações oportunas e acionáveis ​​sobre o desempenho financeiro e clínico.

Desafios com o processamento EDI

O manuseio dos formatos EDI é inerentemente desafiador devido a:

• Fontes de dados complexas e díspares exigem o desenvolvimento de analisadores personalizados
• Altos custos de manutenção de scripts personalizados e sistemas herdados
• Processos manuais propensos a erros causam imprecisões de dados
• Dificuldades escalando soluções tradicionais com o aumento do quantity de dados

A implementação de um analisador X12 eficaz é essential para simplificar as operações, aprimorar a segurança e a integridade dos dados, simplificar processos de integração e proporcionar maior flexibilidade e escalabilidade. Investir nessa tecnologia pode reduzir significativamente os custos e melhorar a eficiência geral dentro do sistema. As organizações de saúde exigem um analisador robusto e eficiente que aborda diretamente esses desafios a:

• Reduza os tempos de processamento significativamente
• Aumente a precisão na transformação de dados
• Forneça desempenho escalável para grandes volumes de transação

Solução: Databricks ‘X12 EDI Ember

A Databricks desenvolveu um repositório de código de código aberto, x12-edi-parser, também chamado EDI Ember, para acelerar o valor e o tempo para perception, analisando seus dados EDI usando fluxos de trabalho de faísca. Trabalhamos com nosso parceiro, Citiustech, que contribuiu para a funcionalidade do repo e pode ajudar as empresas a dimensionar as funções BEDI e/ou baseadas em reivindicações, como:

• Descoberta do tipo transação: Detectar e classificar automaticamente grupos funcionais como reivindicações institucionais (837i), reivindicações profissionais (837p) ou outros conjuntos de transações x12
• Extração rica de segmento de reivindicações: Retire dados financeiros e clínicos – valores de comparação, códigos de procedimento, linhas de serviço, códigos de receita, diagnóstico e mais
• Reconhecimento de loop hierárquico: Para preservar os loops aninhados da EDI, identifique a qual loop cada reivindicação pertence, extrair provedor de cobrança, assinante, dependentes e capturar o remetente/receptor Parceiros de intercâmbio
• Conversão JSON e prontidão a jusante: Achate e normalize todos os segmentos em objetos JSON limpos e de esquema em leitura, prontos para análise, lagos de dados ou sistemas a jusante

Principais benefícios

• Tempo mais rápido para valorizar: Chega de luta livre com analisadores de terceiros ou scripts personalizados quebradiços
• Governança de ponta a ponta: Rastrear a linhagem das tabelas de reivindicações com catálogo de unidades, aplicar verificações de qualidade e adicionar recursos de monitoramento
• Escalável na escala Petabyte: Aproveite o motor distribuído da Spark para analisar milhões de transações de reivindicação em minutos

O EDI Ember usa orquestração funcional para desconstruir transmissões EDI em camadas estruturadas e gerenciáveis. O objeto EDI analisa o intercâmbio bruto e organiza segmentos em objetos de grupo funcional, que por sua vez são divididos em objetos de transação que representam reivindicações individuais de saúde.

Além desses componentes fundamentais, lessons especializadas como o HealthCaremanager orquestram a lógica de análise para padrões específicos de assistência médica (como 837 reivindicações), enquanto a classe MedicalClaim se achata e interpreta os principais dados de reivindicação, como linhas de serviço, diagnóstico e informações sobre pagadores.

A arquitetura modular torna o analisador altamente extensível: adicionar suporte para novos tipos de transações (por exemplo, 835 remessas, 834 inscrições) requer simplesmente a introdução de novas lessons de manipulador sem reescrever o mecanismo de análise principal. À medida que os padrões da Healthcare EDI continuam a evoluir, esse design garante que as organizações possam ampliar flexibilidade a funcionalidade, modularizar os fluxos de trabalho de análise e escalar soluções de saúde orientadas por análises com eficiência.

Construindo tabelas de reivindicações

As etapas para instalar e executar o analisador estão no repositório README. Ao executar essas etapas, podemos construir um claims Spark DataFrame a partir do qual construímos especificamente duas tabelas de faísca – claim_header e claim_lines.

• O claim_header A tabela captura dados de alto nível e em nível de loop dos envelopes de reivindicação EDI, como IDs de reivindicação, detalhes do provedor, dados demográficos dos pacientes, códigos de diagnóstico, identificadores de pagadores e valores de reivindicação.
• O claim_lines A tabela é gerada explodindo a matriz da linha de serviço de cada reclamação. Esta tabela detalhada contém informações granulares sobre procedimentos individuais, cobranças de linha, códigos de receita, indicadores de diagnóstico e datas de serviço.

Um 837 claim_header Exemplo (uma linha por reclamação):

A consulta dos dados revela as informações sobre o tipo de transação, metadados do cabeçalho da reivindicação e coordenação de benefícios:

E o 837 correspondente claim_lines Linhas (várias linhas por reivindicação, uma por linha de serviço) seriam as seguintes:

Que corresponde a esta tabela de amostra no ambiente:

Ao estruturar os dados nessas duas tabelas, as organizações de saúde ganham uma visibilidade clara de métricas agregadas no nível da reivindicação e dados detalhados da linha de serviço, permitindo análises e relatórios abrangentes de reivindicações.

O Databricks X12 EDI Ember (com um Pocket book de Databricks de amostra) simplifica significativamente a complexa tarefa de analisar transações de EDI de saúde. Ao simplificar a extração, transformação e gerenciamento de dados, essa abordagem capacita as organizações de saúde a desbloquear insights analíticos mais profundos, melhorar a precisão do processamento de reivindicações e aumentar a eficiência operacional.

O repositório é projetado como uma estrutura que pode facilmente escalar para outros tipos de transações. Se você deseja processar tipos de arquivos adicionais, crie um problema do GitHub e contribua para o repositório, alcançando -nos!