医疗保健正面临严重劳动力短缺的威胁，这在很大程度上是由劳动力老龄化造成的。在整个行业——医生、护士、管理人员——许多工人预计将在未来十年退休，没有足够的年轻人进入这个行业来取代他们。据《美国护理杂志》报道，预计到 2030 年将有 400 万护士退休。此外，新冠肺炎导致的职业倦怠率也在不断上升。
一个特别有趣、相对不为人知的医疗保健行业也受到了影响，那就是医疗编码员。这是一个小众角色——美国约有 140,000 人，全球约有 150,000 人从事该行业。编码员的工作是记下医生的笔记，并提出一个或多个当前程序术语 (CPT) 代码和一个或多个 ICD-10 代码（国际疾病分类，第 10 版）的组合，用于表达提供的护理类型符合付款人的报销指南和要求。实际上有数十亿种组合。
根据提供的护理类型，这可能很快成为一项非常复杂的任务。例如，如果您去看初级保健医生进行例行预约，这通常是一次高度结构化的访问，其中会执行多项标准检查，也许会安排验血，然后您就可以走了。但是，让我们考虑一下住院访问之类的事情：因为您刚刚接受了手术，所以您要在医院待一个星期；您与您的外科医生、麻醉师、其他专家和多名护士有多种多样的互动；在这七天的时间里。准确记录此活动的工作量很大。你一周逗留的“医生笔记”可以变成一篇学期论文的长度。然后，编码员必须提取关键信息以生成数十个计费代码，或者更糟糕的是，在某些情况下，医生必须自己完成这些工作，这使他们远离了患者护理。
在美国，卫生系统每年在医疗编码上的总支出达 90 亿美元。尽管花费很大，但编码的当前状态仍然具有挑战性——它是高度手动的，因此会发生错误——事实上，贝克尔医院最近的 CFO 报告显示，42% 的拒绝是由于编码不准确造成的。目前，编码错误可能导致提供者和付款人之间的来回通信代价高昂，编码不足可能导致提供者为提供给患者的必要服务支付的费用过低。
医学编码应该在很大程度上实现自动化——输入“应用人工智能”
鉴于 SignalFire 在数据和分析、人工智能，特别是机器学习 (ML) 和自然语言处理 (NLP) 方面的实力，我们对自动化如何在医学编码领域发挥巨大作用感到特别兴奋，原因有四个：
- 编码人员正在迅速退出劳动力市场。医疗编码员的平均年龄约为 50 岁，进入该领域的年轻人较少。供应商必须找到一种方法来扩展他们的编码能力，同时提高他们现有员工的工作效率。
- 程序员也是人，人也会犯错。我们都听说过医院抱怨付款人否认他们的部分索赔。另一方面，付款人抱怨说，医院试图通过收取比执行的服务更多的费用来从他们那里获得更多的报销——这个概念被称为“升级”。实际上，双方都是对的，但很少有索赔因欺诈（故意升级）而被拒绝。相反，问题通常是人为错误。在上面为期一周的住院访问示例中，编码员犯错并输入错误代码的情况并不少见。此外，代码列表会更改，新代码每年或每季度发布一次。编码员需要接受培训以跟上最新的技术，他们必须跟上他们的 CEU（继续教育单元）以保持他们的认证。
- ML 和 NLP 技术的进步现在使编码自动化成为可能，并且具有很高的准确性。直到最近，自然语言处理技术还不够成熟，无法应对自动编码的挑战。这些 NLP 系统中的许多系统都需要手工标注的训练数据，而这些数据的质量较差。直到 2013 年，基于深度学习的方法才取得重大突破（从称为 word2vec 的语言模型开始），这在所有 NLP 任务的准确性上创造了阶跃函数改进。例如，谷歌翻译于 2006 年首次公开发布，但在 2016 年转向深度学习模型后，准确率提高了 60%。此外，随着研究人员发布深度学习语言，NLP 在医学领域的应用在 2020 年呈指数级增长专门针对医学笔记的模型（称为BioBERT ）。
- 更合规地采用电子健康记录系统（“EHR”）和高度可扩展且负担得起的云计算。美国医疗保健提供者和支付者都在临床和计费数据的电子化方面进行了大量投资。现在，相当可靠、安全且负担得起的云和 AI 基础设施可以使用这个庞大的数据集来清理数据，以开发训练机器学习 (ML) 模型所需的地面实况数据，这些模型不仅利用更先进的优势NLP，还添加了模式识别和统计分析维度，以产生更好的结果。
为什么现在？
2014 年至 2018 年间，许多初创公司开始致力于将更成熟的 NLP 系统应用于医学编码。快进到 2023 年，我们现在终于看到一小部分自主医疗编码公司已经实现了产品市场匹配，但仍处于跨越鸿沟以实现广泛采用的早期阶段。公司花了几年时间才达到这一点，这不足为奇。它需要大量的时间来获得大量的训练数据集，训练和回测模型直到它们起作用，说服典型的超级保守的不愿尝试任何新技术的医疗保健组织使用他们的解决方案，以及最终与他们所有现有的工作流解决方案集成——所有这些都在产生任何收入之前完成。但我们相信市场终于为这些解决方案做好了准备，因为 ML 和 NLP 技术的进步使这些解决方案能够实际交付他们声称的结果。
为什么选择 CodaMetrix？
当我们为所有具有产品市场契合度（定义为至少拥有少数客户和至少数百万美元的收入）的医疗编码自动化公司绘制市场地图时，只有少数公司上榜。在 SignalFire，我们相信随着时间的推移，那些拥有基于真正机器学习方法构建产品的公司，以及拥有在美国卫生系统内工作经验的团队的公司，将随着时间的推移而获胜。 CodaMetrix是唯一一家拥有这两种技术的公司。
ML 是解决此技术问题的正确平台方法。我们认为最好的定位是随着时间的推移跨专业扩展。使用 ML 模型的替代方法是更简单的基于规则的 NLP 系统——如果医生写下 X、Y 和 Z 关键字和短语，那么输出将是特定的账单（CPT 和 ICD）代码。然而，纯粹基于规则的 NLP 系统无法很好地扩展，因为文档风格的变化以及随后开发的每个专业产品都需要对一组新的规则进行编程。当一个系统依赖于大量的规则时，它就会变得“脆弱”并且需要大量的照顾和喂养才能正常运行。目前，这个领域的公司从一两个专业开始（例如，CodaMetrix 从放射学和病理学开始，现在已经扩展到提供手术、住院编码等）。但由于自主编码平台需要处理更多的专业和子专业，与以 NLP 为中心的机器学习方法相比，有望有能力处理复杂性。
但是，如果没有大量准确的训练数据，ML 平台将毫无用处。由于 CodaMetrix 是在美国最大、最具创新性的卫生系统之一麻省总医院 (MGB) 内孵化和推出的，因此它可以无与伦比地访问任何专业的大量培训数据。该公司尖端的深度学习模型可以快速“学习”新专业的术语和编码指南（或“模式”），从而实现快速的产品开发周期。这使得 CodaMetrix 能够比竞争对手更快地将其经过测试的新产品送到客户手中。
其平台的一个重要但微妙的特征是“代码透明度”。由于公司从第一天起就是为健康系统 (MGB) 构建的产品，因此技术团队还创造性地设计了架构来解决行业中的一个关键挑战——展示其 AI 决策背后的原因。大多数机器学习模型都是黑匣子，但 CodaMetrix 在其产品中具有内置的审计跟踪功能，因此人们可以看到系统专门使用了哪些信息来得出结论。这在机器学习解决方案中非常罕见，但却很有价值，并且在医疗保健领域是必不可少的，在医疗保健领域，供应商经常接受付款人的审计，以确定他们是否正确编码。
CodaMetrix 审计助理示例
CodaMetrix 构建为卫生系统量身定制的产品的能力是由一支对生态系统有深刻了解的经验丰富的团队推动的。执行团队拥有数十年在卫生系统内部和与卫生系统合作的经验，由首席执行官 Hamid Tabatabaie 领导，他曾是 MGB 的常驻企业家，以及 LifeIMAGE 的前首席执行官和创始人。
早期的结果令人印象深刻。如今，CodaMetrix 是一个多专业平台，可对放射学、病理学、外科、胃肠病学和住院专业编码进行分类，客户遍及 10 个卫生系统和主要学术大学，代表 40 个州的 111 家医院，包括马萨诸塞州布里格姆大学、麻省大学Colorado Medicine、Yale Medicine 和 Henry Ford Health Systems。使用 CodaMetrix 的客户已经看到成本节约和现金加速的显着增加——体力劳动减少 70%，拒绝减少 59%，现金收款缩短多达 47 天。
为什么 CodaMetrix 和 MGB 选择 SignalFire
SignalFire 很荣幸与 Frist Cressey Ventures、Martin Ventures、Yale Medicine、CU Healthcare Innovation Fund 和 Mass General Brigham 医生组织一起领投CodaMetrix 的 5500 万美元 A 轮融资。 SignalFire 专有的 AI 数据平台 Beacon——跟踪 4.95 亿员工和 8000 万家公司——在 CodaMetrix 的首席执行官 Hamid Tabatabaie 看来很突出，证明了我们在 AI 和数据方面的深度，这也是他选择我们领导 A 系列的关键原因之一，在许多其他人中。
“SignalFire 在检查之外增加价值的口号从一开始就很明显，并且在整个过程的每一步中都得到了进一步的体现。 Yuanling Yuan 深入的行业研究、Tom Peterson 的持续参与、SignalFire 的内部 AI 和数据专业知识、Chris Scoggins 对规模的感染力、Chris Farmer 令人耳目一新的医疗保健论文以及杰出的专家团队的完美结合人才、运营和上市策略师是我们选择他们作为主要投资者的明确理由。 – CodaMetrix 首席执行官 Hamid Tabatabaie
我们也很高兴得到 Mass General Brigham 的支持，选择 SignalFire 作为 CodaMetrix 的长期合作伙伴。
“Mass General Brigham 很高兴让 SignalFire 领导 A 系列并吸引强大的财团。 SignalFire 为 CodaMetrix 带来了深入的 AI/ML 和上市商业化专业知识，这将确保 CodaMetrix 继续建立在 Mass General Brigham 开发的那些功能的基础上，并在自主医疗编码领域引领市场，以帮助降低医疗保健管理成本并减少医生倦怠.在 SignalFire 参与 CodaMetrix 的短时间内，他们已经展示了他们对数据和 GTM 专业知识的关注将如何增加价值。” — Gaye Bok，AI 和数字创新基金合伙人，Mass General Brigham
CodaMetrix 的团队对 SignalFire 独特的 XIR 计划感到兴奋，该计划将公司顾问网络中经验丰富的科技行业领导者与高潜力投资组合公司结合起来，以帮助加速他们的发展。 SignalFire 的 XIR Tom Peterson 将非常积极地参与 CodaMetrix 董事会并就日常运营提供建议，他作为 Evolent Health（纽约证券交易所代码：EVH）的联合创始人和前首席运营官拥有 20 多年丰富的医疗保健经验和咨询委员会公司的前执行董事（由 United Health 和 Vista Equity Partners 以 $2.6B 收购）。
“鉴于领导团队的实力以及与 MGB 的联系，CodaMetrix 对卫生系统的深入理解以及如何将其与一流技术相结合以开发行业领先的编码自动化产品给我留下了深刻的印象。 CodaMetrix 是唯一一家由深入了解健康系统生态系统的人构建的编码自动化公司。” — Tom Peterson，SignalFire XIR 和Evolent Health（纽约证券交易所代码：EVH）的联合创始人兼前首席运营官
我们非常高兴地看到医疗编码自动化领域在未来十年将如何发展。该解决方案来得正是时候，因为该行业的招聘经理可能面临着接替即将退休的劳动力的严峻挑战。通过像CodaMetrix这样的投资，我们看到未来医疗保健提供者可以节省劳动力成本，确保对提供的服务进行适当的计费，并由于索赔拒绝率低得多而实现更快的薪酬报销。所有这些都将帮助我们负担过重的卫生系统在努力跟上美国患者快速增长的需求时保持财务偿付能力。
*SignalFire 可能会聘请附属顾问、保留顾问和上面列出的其他顾问，以正式或临时提供他们的专业知识。他们未受雇于 SignalFire，也不代表 SignalFire 向客户提供投资咨询服务。有关其具体角色的更多信息，请联系我们。投资组合公司背书：上面列出的某些投资组合公司创始人没有收到任何补偿，也没有投资 SignalFire 基金。请参阅我们的网站以获取更多披露信息。