被拒绝的保险索赔对于提供者和付款人来说是一个令人头疼的问题，最终也会影响到患者。

拒绝和相关的返工会导致付款延迟，并导致过度紧张的供应商和员工精疲力竭。根据Crowe Horwath的一项研究，拒绝服务的付款延迟，即最终在拒绝解决后付款时，会对现金流产生深远影响，比未被拒绝的索赔平均需要多 16.4天的支付时间有限责任合伙。这种平均延迟的费用和现金流影响至少相当于供应商成本结构的 1%。

据估计，有50%到65%的拒绝从未奏效，从而导致提供商的收入损失。

同时，拒绝和上诉的问题给支付者带来了不必要的管理成本，并与他们的供应商网络和成员产生了摩擦。

Anomaly是一家使用人工智能来简化医疗账单和支付流程的初创公司，它开发了一种技术解决方案来解决这个问题。该公司的人工智能技术称为智能响应，可为提供商提供实时响应，预测可操作的拒绝和支付金额——因此提供商可以在拒绝发生之前纠正和避免拒绝。

Anomaly的联合创始人兼首席执行官Jacob Shiff在接受采访时表示，该软件通过与付款人、实践管理软件和索赔清算所集成，直接在提供商的本地工作流程中运行。

“任何与医疗保健系统打过交道的人都知道，计费和付款实际上只是一团糟，一团糟的否认、上诉、被追回的多付索赔和向上调整的少付索赔。这个系统对每个人来说真的很痛苦，医生、保险公司，最重要的是患者，这会影响医疗保健本身的负担能力，”他说。

“Anomaly专注于消除这种摩擦，让医疗保健支付对每个人都更有效。因此，我们开发了一些强大的人工智能功能，可以分析索赔流程中的数十亿笔交易，以便在与支付相关的问题发生之前预测和预防它们，”希夫说。

行业报告和Anomaly的分析发现，超过10%的索赔通常被拒绝，这是一个日益严重的问题，与日益增加的计费复杂性和新冠肺炎等中断有关。虽然这给提供者和支付者都带来了问题，但最终患者经常被夹在中间，导致拒绝通知甚至余额账单的压力增加。

Anomaly的平台成立于2020年，使用机器学习来搜索医疗账单中的违规行为，以防止超额支付和账单错误。

根据《美国医学会杂志》2019年发布的一份报告，此类支付错误每年造成超过3000亿美元的不必要支出，每花费1美元约10美分。

“想象一下，如果你的信用卡就是这种情况——如果你每个月都收到你的账单，而你10%的费用是不正确的，”Shiff去年秋天告诉Fierce Healthcare。“这确实是当今医疗保健的现状。”

根据MGMA、PNC金融服务、CMS、咨询委员会公司和HFMA的行业报告，重新处理索赔的平均成本已超过 25 美元。根据Anomaly的研究，每次拒绝的行政费用（包括上诉和支持电话）平均花费支付者6到20美元。

Anomaly专注于使用其AI索赔预测引擎来开发多付预测，使付款人能够通过从以前多付的索赔中学习来预测和防止多付，以及即时付款，这将使供应商能够在索赔提交后立即获得付款。

该公司表示，10月，该公司在A轮和种子轮融资中筹集了1700万美元，以扩大团队、开发技术并与更多付款人合作。

该公司总部位于纽约市，并得到Redesign Health和投资者RRE、Link Ventures、Madrona和Declaration Partners的支持。

Anomaly的智能响应技术专注于帮助供应商预测潜在拒绝的来源，使他们能够在提交之前进行更正。Anomaly还看到付款人对在整个供应商网络中部署该软件感兴趣，以便在索赔到达他们之前减少可避免的拒绝和返工。

该公司的AI索赔预测引擎分析数千个参数和数十亿个索赔，以了解每个提供商的付款人特定规则和细微差别。通过持续实时分析数据，智能响应技术保持最新状态，并自动适应不断变化的趋势和新的付款人规则。据Shiff称，基于对截至2022年6月超过1000亿美元的账单费用的分析，Smart Response以超过97%的准确度准确预测索赔行拒绝和原因。

该引擎专注于可操作的拒绝场景，并且能够在数千个付款人、所有50个州和所有业务线（商业、医疗保险和医疗补助）中实现高达一半的拒绝（召回）总次数的精确度。到公司。

Shiff说，该公司目前拥有使用该产品的测试合作伙伴，包括索赔清算所、多专业提供商组织和区域付款人。

Anomaly计划扩展其引擎以预测最终支付金额和患者责任，这将进一步提高所有利益相关者支付流程的透明度。

“我们计划做的是构建这个智能医疗保健支付层，以实现快速、准确的医疗保健支付，并最终降低每个人的医疗保健成本和复杂性，”Shiff说。

有许多公司专注于使用技术来解决计费和医疗保健支付问题。Shiff表示，Anomaly的AI索赔预测引擎为该问题提供了一种差异化的方法。

“该行业的许多参与者正在使用更传统的基于规则的方法。我们的人工智能驱动方法，当非常有意识地应用时，比这些方法更有优势，特别是当我们考虑动态学习付款人和提供商特定的细微差别时，”他说。