Leveraging artificial intelligence and automation in revenue cycle management: A review of impacts on denial rates and financial performance

Öz

Healthcare systems worldwide face mounting financial pressures from rising expenditures, claim denials, and administrative inefficiencies within revenue cycle management (RCM). This scoping review examines the role of artificial intelligence (AI) and automation in reducing denial rates and improving financial performance. Following PRISMA-ScR guidelines, PubMed, Google Scholar, and Scopus for English-language publications (2015–March 2026) were searched, supplemented by authoritative reports from WHO, OECD, and leading healthcare organisations. Twenty-four high-quality sources were included, prioritising peer-reviewed articles and rigorous grey literature reporting empirical outcomes. AI modalities predictive analytics, natural language processing, robotic process automation, and emerging agentic systems target front-, mid-, and back-end RCM processes. Real-world implementations, predominantly in US health systems, demonstrate denial rate reductions of 17–35%, first-pass acceptance improvements of 20–30 percentage points, cost-to-collect decreases of 25–60%, and net revenue gains of 2–5%. Broader benefits include shortened accounts receivable days (10–30), reduced staff burnout, and enhanced payer-provider relations. However, evidence remains US-centric, with limited generalisability to diverse global settings, and challenges persist around data quality, algorithmic bias, interoperability, and ethical governance. AI and automation shift RCM from reactive cost centres to proactive strategic assets, enabling resource redirection toward clinical care and equity. Future directions include standardised international benchmarks, rigorous multi-site evaluations, bias mitigation frameworks, and technology transfer to resource-constrained systems. When implemented with multidisciplinary governance and workflow redesign, these technologies may offer a scalable pathway to financially sustainable, resilient healthcare delivery in an era of constrained budgets and rising demand.

Anahtar Kelimeler

• Artificial intelligence
• revenue cycle management
• revenue

Gelir döngüsü yönetiminde yapay zeka ve otomasyonun kullanımı: Talep reddi oranları ve mali performans üzerindeki etkilerin derlemesi

Öz

Sağlık sistemleri dünya genelinde artan harcamalar, talep reddi oranlarının yükselmesi ve idari verimsizlikler nedeniyle ciddi mali baskılarla karşı karşıyadır. Bu kapsamlı derleme, yapay zeka (AI) ve otomasyon teknolojilerinin gelir döngüsü yönetiminde (RCM) talep reddi oranlarını azaltmadaki ve genel mali performansı iyileştirmedeki rolünü incelemektedir. PRISMA-ScR rehberliğine uygun olarak PubMed, Google Scholar ve Scopus veritabanlarında 2015-Mart 2026 arası İngilizce yayınlar taranmış; ayrıca WHO, OECD ve önde gelen sağlık kuruluşlarının raporları dahil edilmiştir. Toplam 24 yüksek kaliteli kaynak sentezlenmiştir. Tahmini analitik, doğal dil işleme, robotik süreç otomasyonu ve acentik AI sistemleri gibi teknolojiler, RCM’nin ön, orta ve arka uç süreçlerini hedef almaktadır. Özellikle ABD merkezli büyük sağlık sistemlerinde gerçekleştirilen gerçek dünya uygulamaları, talep reddi oranlarında %17-35 azalma, ilk geçiş kabul oranlarında %20-30 artış, maliyet-toplama oranlarında %25-60 düşüş ve net gelir yakalamada %2-5 iyileşme göstermektedir. Ek olarak, alacak günlerinde 10-30 gün kısalma, personel tükenmişliğinde azalma ve ödeme yapan-sağlayıcı ilişkilerinde güçlenme gibi ikincil faydalar rapor edilmiştir. Ancak kanıtlar ağırlıklı olarak ABD’ye özgüdür ve diğer OECD ülkeleri ile düşük-orta gelirli sağlık sistemlerinde genellenebilirlik sınırlıdır. Veri kalitesi, algoritmik önyargı, sistem entegrasyonu ve etik yönetim gibi zorluklar devam etmektedir. Yapay zeka ve otomasyon, RCM’yi reaktif maliyet merkezlerinden proaktif stratejik varlıklara dönüştürme potansiyeline sahiptir. Bu teknolojiler, idari israfı azaltarak kaynakları klinik bakıma ve eşitliğe yönlendirebilir. Gelecekte uluslararası standartlar, çok merkezli değerlendirmeler, ön yargı azaltma çerçeveleri ve kaynak kısıtlı sistemlere teknoloji transferi kritik olması beklenmektedir. Uygun yönetişim ve süreç yeniden tasarımıyla birlikte bu teknolojiler, sınırlı bütçeler ve artan talep karşısında finansal olarak sürdürülebilir ve dayanıklı sağlık sistemleri için ölçeklenebilir bir yol sunmaktadır.

Anahtar Kelimeler

• Yapay zeka
• gelir döngüsü yönetimi
• gelir

Kaynakça

1. [1]     Organisation for Economic Co-operation and Development. “Health at a glance 2025: OECD indicators”. Paris, France, OECD Publishing, 2025.
2. [2]     World Health Organization. “Global health expenditure report 2024”. https://www.who.int/teams/health-financing-and-economics/health-financing/expenditure-tracking (19.02.2026).
3. [3]     Experian Health. “Denial rates are climbing: What healthcare revenue cycle leaders should be watching in 2025”. https://www.experian.com/healthcare/insights/denial-rates-climbing (19.02.2026).
4. [4]     Healthcare Financial Management Association. “Redesigning denials management in the OBBBA era”. https://www.hfma.org/revenue-cycle/redesigning-denials-management-in-the-obbba-era/ (19.02.2026).
5. [5]     McKinsey & Company. “Agentic AI: The race to a touchless revenue cycle”. https://www.mckinsey.com/industries/healthcare/our-insights/agentic-ai-and-the-race-to-a-touchless-revenue-cycle (19.02.2026).
6. [6]     Chandawarkar R, Nadkarni P, Barmash E, Thomas S, Capek A, Casey K, et al. “Revenue cycle management: The art and the science”. Plastic Reconstructive Surgery - Global Open, 12(7), 1-8, 2024.
7. [7]     American Academy of Professional Coders. “What is revenue cycle management (RCM)?”. https://www.aapc.com/resources/what-is-revenue-cycle-management (19.02.2026).
8. [8]     Conifer Health Solutions. “Modernizing and optimizing revenue cycle management in healthcare”. https://coniferhealth.com/knowledge-center/revenue-cycle-management-healthcare-modernization (19.02.2026).

9. [9]     American Medical Association. “Revenue cycle management considerations. AMA STEPS Forward”. https://edhub.ama-assn.org/steps-forward/module/2827452 (19.02.2026).
10. [10]  Petrov S, Khuntia J. “AI in revenue cycle management (RCM) and medical claims processing”. Health Administration Research Consortium (HARC) Research Brief, 10(2), 1-10, 2025.
11. [11]  Arksey H, O’Malley L. “Scoping studies: Towards a methodological framework”. International Journal of Social Research Methodology, 8(1), 19-32, 2005.