305 lines
11 KiB
Markdown
305 lines
11 KiB
Markdown
# AI-Syah 5-Minute Presentation Draft
|
|
|
|
## 1. Opening: Tantangan Nyata Klaim BPJS
|
|
|
|
Manajemen klaim BPJS hari ini semakin berat.
|
|
Volume klaim terus naik, ekspektasi akurasi tetap tinggi, sementara tim casemix harus bekerja cepat di tengah proses yang masih banyak dilakukan secara manual.
|
|
|
|
Situasi di lapangan biasanya seperti ini:
|
|
|
|
- jumlah klaim terus meningkat, tetapi kapasitas SDM terbatas
|
|
- tim harus cepat melakukan coding, tetapi tidak boleh salah
|
|
- low-value claim yang repetitif tetap menyita waktu tim
|
|
- proses verifikasi dokumen, pengecekan identitas, dan pengarsipan masih berulang
|
|
- monitoring performa dan bottleneck belum terlihat secara real-time
|
|
- potensi overcost sering baru terlihat terlambat
|
|
|
|
Masalahnya bukan hanya soal pengiriman klaim.
|
|
Masalahnya adalah belum ada sistem yang benar-benar membantu tim casemix bekerja lebih cerdas dari awal sampai akhir proses.
|
|
|
|
## 2. What AI-Syah Is
|
|
|
|
AI-Syah Smart Claim adalah platform end-to-end untuk manajemen klaim BPJS yang membantu tim casemix sejak klaim dimulai, rekomendasi coding, verifikasi dokumen, monitoring status, manajemen pending claim, hingga analitik performa.
|
|
|
|
Tujuannya jelas:
|
|
|
|
- mempercepat proses coding dan verifikasi
|
|
- menurunkan pending claim
|
|
- mengoptimalkan nilai klaim
|
|
- meningkatkan kontrol manajemen terhadap revenue cycle
|
|
|
|
AI-Syah bukan sekadar fitur tambahan di atas SIMRS.
|
|
AI-Syah adalah lapisan intelligence yang membuat proses klaim menjadi lebih cepat, lebih akurat, dan lebih terkontrol.
|
|
|
|
## 3. How AI-Syah Works
|
|
|
|
```mermaid
|
|
flowchart TD
|
|
A[Data Pasien dan Tindakan dari SIMRS] --> B[AI-Syah Smart Claim Engine]
|
|
B --> C[AI ICD Prediction<br/>ICD-10 dan ICD-9]
|
|
B --> D[AI Document Verification]
|
|
B --> E[Real-Time Cost Monitoring<br/>untuk Pasien Aktif]
|
|
B --> F[Pending Claim Management]
|
|
B --> G[Dashboard Analytics]
|
|
C --> H[Submission ke BPJS NCC e-Claim]
|
|
D --> H
|
|
E --> I[Early Warning Overcost]
|
|
H --> J[Tracking Status Klaim]
|
|
F --> J
|
|
J --> K[Archive Management dan Pembelajaran Data]
|
|
G --> L[Monitoring Performa dan Revenue Control]
|
|
I --> L
|
|
K --> L
|
|
```
|
|
|
|
Nilai utama AI-Syah ada di sini:
|
|
proses klaim tidak lagi berjalan secara terpisah-pisah.
|
|
Semua bagian penting, dari coding sampai follow-up klaim, bergerak dalam satu alur yang saling terhubung.
|
|
|
|
## 4. Kenapa Sistem Existing Belum Optimal
|
|
|
|
Banyak rumah sakit sebenarnya sudah memiliki integrasi SIMRS dengan BPJS NCC e-Claim.
|
|
Secara teknis, klaim bisa dikirim.
|
|
|
|
Tetapi secara operasional, masih ada celah besar:
|
|
|
|
- belum ada AI yang memberi rekomendasi ICD untuk hasil coding yang lebih optimal
|
|
- monitoring klaim masih tersebar di banyak tempat
|
|
- belum ada early warning untuk pasien aktif yang berpotensi overcost
|
|
- pending claim masih dikelola manual
|
|
- belum ada dashboard terpusat untuk melihat performa dan risiko secara menyeluruh
|
|
|
|
Jadi masalahnya bukan sistem tidak berjalan.
|
|
Masalahnya adalah sistem belum membantu rumah sakit memaksimalkan akurasi, kecepatan, dan nilai finansial klaim.
|
|
|
|
## 5. Feature Highlights That Make AI-Syah Stand Out
|
|
|
|
### A. AI ICD Prediction Untuk Smart Coding
|
|
|
|
AI-Syah memberikan rekomendasi ICD-10 dan ICD-9 berdasarkan diagnosa dan tindakan yang tercatat, dengan model yang dilatih dari pola coding lokal Indonesia dan dapat disesuaikan dengan data historis rumah sakit.
|
|
|
|
Kenapa ini menonjol:
|
|
|
|
- membantu koder bekerja lebih cepat
|
|
- mengurangi ketergantungan pada hafalan dan pengalaman individual
|
|
- membantu menghasilkan coding yang lebih lengkap dan lebih akurat
|
|
- membuka peluang optimasi nilai klaim tanpa mengubah fakta klinis
|
|
|
|
Ini penting karena coding yang tepat langsung memengaruhi akurasi klaim dan revenue yang diterima.
|
|
|
|
### B. AI Document Verification Sebelum Submit
|
|
|
|
Sebelum klaim dikirim, sistem memeriksa apakah dokumen lengkap, terbaca dengan baik, dan identitas pasien sesuai.
|
|
|
|
Kenapa ini menonjol:
|
|
|
|
- menurunkan risiko pending karena masalah administratif
|
|
- mengurangi pekerjaan verifikasi manual yang repetitif
|
|
- membuat kualitas submission lebih konsisten
|
|
- membantu tim menangkap kesalahan lebih awal, sebelum masuk ke BPJS
|
|
|
|
Banyak klaim tertahan bukan karena coding, tetapi karena administrasi.
|
|
Fitur ini menutup celah itu.
|
|
|
|
### C. Real-Time Cost Monitoring untuk Pasien Aktif
|
|
|
|
AI-Syah memantau biaya perawatan pasien rawat inap yang masih aktif dan membandingkannya dengan estimasi coverage BPJS.
|
|
|
|
Kenapa ini menonjol:
|
|
|
|
- memberi early warning jika ada potensi overcost
|
|
- membantu manajemen mengambil keputusan lebih cepat
|
|
- mengurangi kejutan finansial di akhir perawatan
|
|
- memberi visibilitas ke revenue risk sebelum pasien pulang
|
|
|
|
Fitur ini membuat rumah sakit tidak lagi bersikap reaktif terhadap beban biaya.
|
|
|
|
### D. Pending Claim Management yang Terstruktur
|
|
|
|
Semua klaim pending dapat di-track, dikategorikan, dan di-follow-up dalam satu sistem.
|
|
|
|
Kenapa ini menonjol:
|
|
|
|
- tidak ada klaim yang hilang atau terlupakan
|
|
- alasan pending lebih mudah dianalisis
|
|
- tindak lanjut menjadi lebih sistematis
|
|
- manajemen bisa melihat backlog dan progres secara jelas
|
|
|
|
Ini mengubah pending claim dari masalah administratif menjadi proses yang bisa dikendalikan.
|
|
|
|
### E. Dashboard Analytics untuk Manajemen
|
|
|
|
AI-Syah menyediakan dashboard terpusat untuk melihat performa koder, nilai klaim, pending rate, bottleneck, dan pola under-coding atau risiko lain.
|
|
|
|
Kenapa ini menonjol:
|
|
|
|
- manajemen mendapatkan real-time visibility
|
|
- performa tim dapat diukur lebih objektif
|
|
- bottleneck operasional lebih cepat terlihat
|
|
- keputusan perbaikan bisa dilakukan berbasis data
|
|
|
|
Tanpa dashboard yang baik, manajemen hanya melihat hasil akhir.
|
|
Dengan AI-Syah, manajemen bisa melihat prosesnya juga.
|
|
|
|
### F. Archive Management Sebagai Aset Operasional dan Pembelajaran
|
|
|
|
File hasil klaim, termasuk arsip `.txt`, tersimpan rapi dan mudah dicari kembali untuk audit, rekonsiliasi, dan peningkatan model.
|
|
|
|
Kenapa ini menonjol:
|
|
|
|
- proses pencarian dokumen menjadi lebih cepat
|
|
- kebutuhan audit lebih mudah dipenuhi
|
|
- data historis bisa dimanfaatkan untuk reinforcement learning atau penyempurnaan model
|
|
- rumah sakit membangun knowledge base dari aktivitas klaimnya sendiri
|
|
|
|
Ini menjadikan arsip bukan hanya tempat simpan, tetapi sumber pembelajaran sistem.
|
|
|
|
### G. On-Premise Deployment untuk Data Control
|
|
|
|
AI-Syah di-deploy di infrastruktur rumah sakit agar data pasien tetap berada dalam kontrol penuh rumah sakit.
|
|
|
|
Kenapa ini menonjol:
|
|
|
|
- keamanan data lebih kuat
|
|
- compliance terhadap regulasi kesehatan lebih terjaga
|
|
- kontrol akses dapat disesuaikan secara internal
|
|
- biaya cloud recurring dapat dihindari
|
|
|
|
Untuk produk yang menyentuh data klaim dan data pasien, kontrol ini bukan tambahan.
|
|
Kontrol adalah keharusan.
|
|
|
|
## 6. Dampak yang Ingin Dicapai
|
|
|
|
### Pengurangan Pending Rate
|
|
|
|
- target penurunan pending rate dari sekitar 10% ke 5-6%
|
|
- potensi recovery revenue yang sebelumnya tertahan
|
|
- lebih sedikit klaim yang bolak-balik karena isu coding atau administrasi
|
|
|
|
### Optimasi Nilai Klaim
|
|
|
|
- kombinasi coding yang lebih lengkap dan lebih tepat
|
|
- potensi peningkatan nilai klaim sekitar 3-5%
|
|
- berkurangnya under-coding yang tidak disadari
|
|
|
|
### Efisiensi Operasional
|
|
|
|
- proses coding dan verifikasi lebih cepat 30-40%
|
|
- tim dapat menangani volume lebih besar dengan SDM yang sama
|
|
- fokus tim bergeser ke high-value claim dan kasus kompleks
|
|
|
|
### Kontrol Manajerial yang Lebih Kuat
|
|
|
|
- performa koder lebih mudah dipantau
|
|
- bottleneck lebih cepat terlihat
|
|
- risiko finansial dan operasional lebih cepat diantisipasi
|
|
|
|
## 7. Logic Behind the Impact
|
|
|
|
AI-Syah tidak menjanjikan impact secara abstrak.
|
|
Impact-nya datang dari perubahan workflow yang jelas:
|
|
|
|
- AI ICD Prediction membantu coding lebih cepat dan lebih akurat
|
|
- AI Document Verification menangkap masalah sebelum submit
|
|
- real-time monitoring membantu menangani error lebih awal
|
|
- dashboard analytics membantu menemukan pola under-coding dan bottleneck
|
|
- centralized workflow mengurangi pekerjaan manual yang tersebar
|
|
|
|
Karena itu, penurunan pending, optimasi nilai klaim, dan efisiensi waktu bukan sekadar angka promosi.
|
|
Semua berasal dari intervensi langsung terhadap titik lemah proses klaim yang paling sering terjadi.
|
|
|
|
## 8. Implementation Approach
|
|
|
|
AI-Syah dapat diimplementasikan bertahap agar perubahan tetap aman dan terukur.
|
|
|
|
### Tahap 1: Discovery and Assessment
|
|
|
|
Durasi sekitar 2 minggu.
|
|
|
|
Fokus utama:
|
|
|
|
- analisis workflow casemix yang berjalan
|
|
- mapping integrasi dengan SIMRS dan BPJS
|
|
- penyiapan data historis untuk training atau fine-tuning model
|
|
|
|
### Tahap 2: Pilot Implementation
|
|
|
|
Durasi sekitar 1-2 bulan.
|
|
|
|
Fokus utama:
|
|
|
|
- deploy on-premise
|
|
- training tim casemix
|
|
- monitoring awal dan fine-tuning berdasarkan penggunaan nyata
|
|
|
|
### Tahap 3: Full Rollout and Continuous Improvement
|
|
|
|
Fokus utama:
|
|
|
|
- scale ke seluruh proses klaim terkait
|
|
- review rutin untuk optimasi performa
|
|
- continuous AI improvement berdasarkan data baru
|
|
|
|
Pendekatan ini penting karena rumah sakit perlu melihat hasil nyata terlebih dahulu sebelum scale-up penuh.
|
|
|
|
## 9. Why AI-Syah Matters to Each Stakeholder
|
|
|
|
### Untuk Tim Casemix
|
|
|
|
- coding lebih cepat
|
|
- verifikasi lebih ringan
|
|
- follow-up pending lebih tertata
|
|
- lebih banyak waktu untuk kasus kompleks
|
|
|
|
### Untuk Manajemen Rumah Sakit
|
|
|
|
- visibilitas revenue cycle lebih kuat
|
|
- kontrol performa tim lebih baik
|
|
- keputusan lebih cepat karena dashboard real-time
|
|
|
|
### Untuk Keuangan dan Operasional
|
|
|
|
- potensi revenue leakage lebih kecil
|
|
- pending claim lebih terkendali
|
|
- bottleneck operasional lebih cepat ditangani
|
|
|
|
### Untuk Rumah Sakit Secara Keseluruhan
|
|
|
|
- proses klaim lebih matang
|
|
- efisiensi meningkat
|
|
- kesehatan finansial lebih terjaga
|
|
|
|
## 10. Suggested Closing Message
|
|
|
|
AI-Syah Smart Claim membantu rumah sakit mengubah proses klaim BPJS dari workflow yang masih manual dan tersebar menjadi sistem yang lebih cerdas, lebih cepat, dan lebih terkendali.
|
|
|
|
Dengan AI untuk coding, verifikasi dokumen, monitoring biaya, pengelolaan pending claim, dan dashboard analitik, AI-Syah tidak hanya meningkatkan efisiensi tim casemix, tetapi juga memperkuat revenue control rumah sakit secara menyeluruh.
|
|
|
|
Singkatnya, AI-Syah membantu rumah sakit melakukan smart coding untuk menghasilkan smart revenue.
|
|
|
|
## 11. Speaker Notes for a 5-Minute Delivery
|
|
|
|
### Minute 1
|
|
|
|
Mulai dari masalah nyata:
|
|
volume tinggi, akurasi tinggi, proses manual, dan tekanan terhadap tim casemix.
|
|
|
|
### Minute 2
|
|
|
|
Jelaskan gap sistem existing:
|
|
sudah bisa kirim klaim, tetapi belum bisa membantu coding, monitoring, dan kontrol revenue secara cerdas.
|
|
|
|
### Minute 3
|
|
|
|
Gunakan diagram untuk menjelaskan alur dari data SIMRS ke AI prediction, verification, BPJS claim tracking, dan analytics.
|
|
|
|
### Minute 4
|
|
|
|
Tekankan fitur pembeda:
|
|
AI ICD Prediction, AI Document Verification, real-time cost monitoring, pending claim management, dan dashboard analytics.
|
|
|
|
### Minute 5
|
|
|
|
Tutup dengan dampak bisnis:
|
|
pending rate turun, nilai klaim lebih optimal, efisiensi meningkat, dan kontrol revenue lebih kuat.
|