Implications of Current Procedural Terminology code accuracy on surgical workflow and financial reimbursement
Notice bibliographique
Résumé
Objective: Inaccuracies in Current Procedural Terminology (CPT) coding entries for surgical procedures have a profound impact on hospital systems and surgeon compensation for services. We sought to characterize the variations of surgical CPT entry at a multi-site academic medical center and estimate the financial burden implicated by improper code entry.Methods: A mixed methods study was conducted to evaluate variations in CPT entry across an academic center. Semi-structured interviews with 8 surgical schedulers were conducted and analyzed to understand the current scheduling process. Coding data for surgical procedures performed within a 31-day period during September and October 2020 within the large healthcare system were assessed for appropriate CPT code entry. Reimbursement for the 2020 fiscal year was then analyzed to determine the impact of pre-operative CPT code accuracy on reimbursements and denials.Results: Interviews revealed a lack of standardization in the surgical scheduling process across the hospital system. Lack of standardized onboarding and variations in workflow contributed to difficult cross coverage for schedulers and errors in CPT entry. On quantitative analysis, the accuracy of pre-operative CPT code entry was poor with only 59.3% of pre-operative CPT code entries being correct. In the 2020 fiscal year, $5.4 million was lost due to problems related to CPT code entry.Conclusions: Variations and lack of standardization in CPT code entry can greatly contribute to financial losses and disrupt surgical scheduling. Standardization of workflow and CPT entry schemes can help minimize scheduling complications and enhance the quality of care provided to patients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».