Blue Cross AI 병원 청구 주장이 자동화에 9억 4,200만 달러의 가격표를 붙이다

Blue Cross Blue Shield는 AI 병원 청구가 2024년과 2025년에 걸쳐 가입자들의 의료비 지출에 9억 4,200만 달러를 추가했다고 밝혔다. 이 보험사 연합은 치료에는 그에 상응하는 변화가 거의 없었음에도 더 많은 환자가 의학적으로 복잡한 상태로 기재된 청구와 이러한 비용 증가를 연결했다.

이는 의료 산업이 내세워 온 AI의 핵심 약속을 뒤집는 인상적인 상황이다. 자동화는 서류 작업과 행정 낭비를 줄이기 위해 도입될 예정이었다. 그러나 이제 같은 기술이 의료 제공자가 추가 진단을 찾아내는 데 쓰이는 한편, 보험사는 그로 인해 발생한 청구에 이의를 제기할 자동화 시스템을 구축하고 있다.

병원들은 보험사 연합의 해석에 강하게 반박한다. 환자들은 더 고령이고 더 위중해졌으며, 덜 복잡한 진료는 병원 밖으로 이전됐고, 더 나은 문서화가 과거 임상의들이 놓쳤던 정당한 상태를 포착하고 있다는 주장이다.

증거만으로는 이 견해 차이를 결론 내릴 수 없다. Blue Cross Blue Shield Association, 즉 BCBSA는 완전한 환자 차트가 아닌 청구 데이터를 분석했다. 그 결과는 비용이 많이 드는 패턴을 보여주지만, AI가 모든 진단을 유발했다거나 그에 따른 청구가 부적절했다는 점을 입증하지는 않는다.

더 중요한 이야기는 이 소프트웨어를 둘러싼 인센티브 구조다. 문서화된 치료가 거의 달라지지 않아도 하나의 부차 진단만으로 입원이 더 높은 보상 범주로 이동할 수 있다.

그 결과 환자, 고용주, 납세자, 병원, 보험사가 그 결과를 재원으로 뒷받침하는 자동화 경쟁이 만들어진다.

Blue Cross가 AI 병원 청구에서 발견한 내용

BCBSA는 병원 청구의 복잡성이 함께 기록된 진료보다 훨씬 빠르게 높아졌다고 말한다.

협회는 2023년 초부터 2025년 말까지 Blue Cross 및 Blue Shield 계열사에 제출된 입원 청구를 조사했다. 이들의 청구 분석은 진단 코딩의 변화와 문서화된 치료의 변화를 비교했다.

의학적으로 복잡한 상태로 청구된 입원 사례의 비중은 2023년 초 약 37%에서 2025년 말 40%로 상승했다. 비율로 보면 변화가 크지 않아 보일 수 있지만, 지급 효과는 수천 건의 입원에 걸쳐 누적된다.

BCBSA는 코딩 강도 상승이 2024년과 2025년에 회원사들이 지급한 금액에 9억 4,200만 달러를 더했다고 추정했다. 이 비교는 2023년의 코딩 패턴을 기준선으로 사용했다.

코딩 강도는 청구에 기재되는 진단 수와 그 진단들이 환자를 얼마나 위중하게 보이게 하는지를 설명한다. 강도가 높아지면 입원이 더 비싼 보상 범주에 배정될 수 있다.

추정 증가액 가운데 약 6억 5,300만 달러는 부차 진단에서 비롯됐다. 이는 병원 입원의 주된 사유와 함께 기록되는 상태다.

이들 부차 상태로 인해 5만 5,000건이 넘는 추가 사례가 더 높은 중증도 범주로 이동했다. 상세한 청구 보도에 따르면, 초과 복합 사례 한 건당 평균 추가 보상액은 약 1만 1,800달러였다.

지급 메커니즘은 일반적으로 DRG라고 불리는 진단 관련 그룹이다. 이는 입원 기간을 분류하고, 예상 임상 복잡성을 일부 반영해 보상액을 책정한다.

주요 합병증은 청구를 더 높은 DRG 등급으로 이동시킬 수 있다. 이 높은 등급은 환자에게 더 많은 자원, 모니터링 또는 치료가 필요했다고 전제한다.

AI 코딩 시스템은 검사 결과, 의사 기록, 전자 기록을 스캔해 더 복잡한 분류를 뒷받침하는 상태를 찾을 수 있다. 앰비언트 스크라이브는 임상 대화의 세부 사항을 포착해 구조화된 기록으로 변환할 수도 있다.

BCBSA는 현재 병원 시스템의 60% 이상이 문서화와 코딩을 포함한 업무에 AI 기반 기술을 사용한다고 말한다. 이러한 도입은 병원에 기록 속 잠재적으로 청구 가능한 모든 상태를 더 빠르게 찾아낼 방법을 제공한다.

보험사 연합은 더 높은 중증도 코딩이 다른 진료와 상응하는지에 초점을 맞췄다. 예상되는 치료 변화가 자주 나타나지 않았다는 것이 이들의 주장이다.

BCBSA의 제품·데이터 과학 담당 수석 부사장인 Luke Chalker는 이 격차를 중심으로 문제를 제기했다. 환자들이 실제로 더 위중했다면 데이터에 추가 치료가 나타나야 한다는 주장이다.

한 사례는 주요 장 수술이었다. 연구 기간 중 최고 복잡도 수준의 청구 비중은 10.2%에서 22.7%로 증가했다.

한편 비복합 사례의 비중은 36.6%에서 32.8%로 감소했다. BCBSA는 이러한 변화가 약 6,100만 달러의 추가 지출과 연관돼 있다고 봤다.

빈혈, 부분 장폐색, 산증 등의 상태가 부차 진단으로 더 자주 나타났다. 일부는 단일 검사 수치만으로도 식별될 수 있어 자동화된 차트 검토의 쉬운 대상이 된다.

그러나 BCBSA는 빈혈로 코딩된 환자에서 수혈과 같은 처치가 그에 상응해 늘어난 정황을 찾지 못했다. 이 불일치는 치료보다 문서화가 더 많이 변했다는 주장을 뒷받침한다.

이 결론은 여전히 보험사가 자체 지급 데이터를 분석한 결과다. 그럼에도 이전에는 대부분 일화에 머물렀던 우려에 이례적으로 구체적인 수치를 부여한다.

추가 진단 하나가 청구서를 바꿀 수 있는 이유

AI는 보상액을 늘리기 위해 질병을 만들어낼 필요가 없다. 지급 범주를 바꾸는 상태를 찾아내기만 하면 된다.

이 구분은 “AI 업코딩”이라는 표현이 조작된 진단을 암시할 수 있기 때문에 중요하다. 실제 메커니즘은 더 미묘하며 평가하기도 더 어렵다.

병원 기록에는 최종 청구서보다 훨씬 많은 정보가 담긴다. 여기에는 검사 결과, 약물, 임상의 관찰, 병력, 여러 부서의 세부 사항이 포함될 수 있다.

인간 코더는 어떤 상태가 코딩 규정을 충족하고 보상액에 영향을 주는지 결정해야 한다. 근거가 있는 진단을 누락하면 정당한 지급액을 청구하지 못할 수 있다.

AI 도구는 이 검색 범위를 넓힌다. 대량의 기록을 일관되게 검토하고, 관련 수치를 표시하며, 청구가 보험사에 도달하기 전에 코드를 제안할 수 있다.

장 수술을 위해 입원한 환자를 생각해 보자. 수술은 입원의 주된 이유이지만, 기록에는 낮은 나트륨 수치도 포함될 수 있다.

그 결과가 코딩 규정상 부차 진단을 뒷받침한다면, 해당 진단은 사례의 기록된 중증도를 높일 수 있다. 그러면 입원이 더 높은 보상액의 DRG로 이동할 수 있다.

수술 자체는 달라지지 않는다. 환자의 입원 기간도 달라지지 않을 수 있다. 달라지는 것은 재정적 분류다.

그렇다고 진단이 자동으로 거짓이 되는 것은 아니다. 입원 기간 중 중대한 처치가 필요하지 않더라도 임상적으로 실제 상태일 수 있다.

이 지점이 논쟁의 중심에 있다. BCBSA는 안정적인 치료 패턴을 문서화된 복잡성이 의미 있는 임상 변화를 앞질렀다는 증거로 본다.

병원들은 보상이 임상의들이 관리하고, 모니터링하고, 고려한 모든 상태를 반영해야 한다고 답한다. 치료량만으로는 그 업무를 포착하지 못할 수 있다.

이 논쟁은 자율 의료 코딩을 넘어선다. 앰비언트 문서화 시스템은 임상 진료 중 대화를 듣고 임상의가 검토할 초안 기록을 생성한다.

이 시스템들은 타이핑과 퇴근 후 업무를 줄이겠다고 약속한다. 동시에 임상의가 말하는 내용을 더 많이 포착하며, 여기에는 과거의 짧은 기록이 누락했을 수 있는 상태도 포함된다.

따라서 더 완전한 문서화는 지출을 늘리면서 정확도를 높일 수 있다. 이 두 결과는 서로 배타적이지 않다.

이전의 BCBSA 및 Blue Health Intelligence 코딩 연구는 산모 입원에서 유사한 패턴을 조사했다. 이 연구는 수혈의 비례적 증가 없이 급성 출혈후 빈혈 진단이 늘어난 것을 발견했다.

이 분석은 연구 기간 중 산모 진료 지출이 2,200만 달러 늘어난 것으로 추정했다. 또한 더 집중적인 코딩으로 인한 입원 및 외래 진료의 더 광범위한 노출도 전망했다.

9월 분석은 이 패턴을 다른 임상 범주와 이후의 청구 기간으로 확장한다. 이러한 반복은 BCBSA의 우려를 강화하지만, 개별 청구 위반을 입증하지는 않는다.

정확한 포착과 부적절한 업코딩의 차이는 환자 수준의 증거에 달려 있다. 청구 데이터는 병원이 청구한 내용과 보험사가 기록한 처치를 보여줄 수 있다.

청구 데이터만으로는 임상의가 왜 특정 상태를 모니터링했는지, 그것이 의사결정에 영향을 미쳤는지, 모든 코드가 적용 기준을 충족했는지를 항상 보여줄 수 없다.

결정적 감사에는 완전한 차트, 코딩 지침, 임상의의 판단 근거, 인간의 검토가 필요하다. BCBSA는 이 정도의 사례별 검증을 공개적으로 제공하지 않았다.

AI 병원 청구에서는 이 검증 공백이 매우 중요하다. 자동화는 간과된 임상 세부 사항을 드러낼 수 있지만, 보상 규칙에 맞춰 기록을 최적화할 수도 있다.

동일한 추천 엔진이 한 병원 안에서 두 가지 역할을 모두 할 수 있다. 재정적 영향은 직원들이 제안을 어떻게 검증하는지와 지급 공식이 이를 어떻게 보상하는지에 달려 있다.

병원들, Blue Cross의 AI 주장은 더 위중한 환자를 놓친다고 말하다

병원들은 청구 복잡성의 상승이 환자, 진료 환경, 문서화 품질의 실제 변화를 반영한다고 주장한다.

American Hospital Association, 즉 AHA는 의료 제공자의 AI 도구가 코딩 강도를 부당하게 높인다는 주장을 거부했다. 이 입장은 최신 9억 4,200만 달러 추정치보다 앞서 제시됐다.

협회는 2026년 8월 코딩 팩트시트에서 이러한 비난을 근거 없는 것으로 규정했다. 또한 더 복잡한 청구에 대한 몇 가지 대안적 설명을 제시했다.

첫째, 입원 환자 집단이 변했다. 고령화와 만성질환 비율 상승으로 병원은 동시에 더 많은 상태를 가진 환자를 치료하게 될 수 있다.

둘째, 더 단순한 시술 중 다수가 외래 센터나 의원으로 옮겨갔다. 따라서 병원에 남은 환자는 더 복잡한 집단을 구성한다.

셋째, 코딩 지침과 문서화 관행은 계속 변화하고 있다. 더 구체적인 기록은 기저 환자 집단이 점진적으로 변하는 상황에서도 측정된 중증도를 높일 수 있다.

AHA는 병원이 AI를 사용할 때 인간의 검증이 여전히 필수적이라고 말한다. 또한 의료 제공자는 정확한 코드를 제출할 법적, 윤리적, 계약상 의무를 계속 진다고 강조한다.

AHA의 데이터는 2019년부터 2024년까지 병원 비용 증가분의 19%를 더 위중하고 복잡한 환자 치료에 따른 것으로 본다. AHA와 Vizient의 분석은 이 기간 병원 케이스믹스 지수가 약 5% 상승한 것으로 나타났다.

케이스믹스 지수는 병원 환자의 상대적 임상 복잡성과 예상 자원 사용량을 측정한다. 일반적으로 더 높은 지수는 입원 환자 집단이 더 집중적인 진료를 필요로 한다는 주장을 뒷받침한다.

이 수치들은 BCBSA의 장 수술 관련 결과를 직접 반박하지는 않는다. 다만 복잡성 비율의 상승을 자동으로 소프트웨어 탓으로 돌릴 수 없는 이유를 보여준다.

BCBSA의 치료 비교에도 한계가 있다. 일부 부차 상태는 주요 청구 가능 처치를 만들지 않으면서 모니터링, 임상 판단, 약물 선택 또는 퇴원 계획에 영향을 준다.

빈혈은 유용한 사례다. 수혈은 심각한 출혈에 대응하는 한 가지 방법이지만, 모든 빈혈 진단에 수혈이 필요한 것은 아니다.

따라서 안정적인 수혈 비율은 타당한 의문을 제기하지만, 이를 해결하지는 못한다. 각 진단이 코딩 요건을 충족했는지 확인하려면 차트 검토가 필요하다.

병원들은 더 나은 문서화가 과거의 과소코딩을 바로잡는다고도 주장한다. 그들의 관점에서 자동화는 이미 이루어지고 있었지만 청구서에 일관되게 반영되지 않았던 업무를 포착하는 데 도움이 된다.

이 주장은 그 자체로 불확실성을 안고 있다. 상환 기회를 찾아내도록 설계된 도구는 지급액을 늘리는 진단을 선호할 재정적 유인을 갖는다.

병원 컴플라이언스 프로그램은 이러한 위험을 통제해야 한다. 그러나 공개된 증거는 직원들이 AI가 생성한 코딩 제안을 얼마나 자주 거부하는지 보여주지 않는다.

따라서 이 갈등을 정직한 병원과 방어적인 보험사 간의 대립으로만 축소할 수는 없다. 양측 모두 유리한 분류에 보상하는 지급 시스템 안에서 움직인다.

병원은 사례가 복잡한 것으로 분류될수록 더 많은 보상을 받는다. 보험사는 그러한 분류를 거부하거나 낮추거나 지연시킬 때 더 많은 금액을 보유한다.

양측은 각각 자신의 자동화를 정확도 향상 도구라고 설명할 수 있다. 또한 상대방의 시스템을 최적화 엔진으로 규정할 수도 있다.

이러한 대칭성이 9억 4,200만 달러 추정치를 무시해야 한다는 뜻은 아니다. 이는 병원 행위에 대한 판정이 되기 전에 해당 추정치가 독립적인 검증을 거쳐야 한다는 의미다.

진짜 갈등은 제공자 AI 대 보험사 AI다

의료 AI 비용 문제는 상반된 재정 목표를 지닌 자동화 시스템 간의 경쟁으로 변하고 있다.

병원은 진단을 포착하고, 문서화를 강화하며, 상환을 방어하기 위해 소프트웨어를 사용한다. 보험사는 청구를 검토하고, 이상 징후를 감지하며, 기록을 요청하고, 지급액을 줄이기 위해 알고리즘을 사용한다.

기술이 근본적인 갈등을 만들어내는 것은 아니다. 병원과 보험사는 수십 년간 코딩, 의학적 필요성, 상환을 두고 분쟁을 벌여 왔다.

AI는 이 갈등의 속도, 규모, 경제성을 바꾼다. 한 시스템은 더 상세한 청구를 생성할 수 있고, 다른 시스템은 수백만 건의 기록에 걸쳐 이를 이의 제기할 수 있다.

이러한 역학은 Abridge 창립자 Shiv Rao가 이 분쟁을 논하며 “봇이 봇과 싸운다”고 경고한 이유를 설명한다. Abridge는 의료기관에 앰비언트 임상 문서화 소프트웨어를 판매한다.

Rao는 제공자와 보험사가 청구 전에 증거에 합의한다면 기술이 마찰을 줄일 수 있다고도 주장했다. 이 낙관적인 시나리오에는 공동 규칙과 상호운용 가능한 기록이 필요하다.

현재 시스템은 정반대의 유인을 제공한다. 병원은 문서화가 더 높은 중증도의 청구를 뒷받침할 때 이익을 얻는다. 보험사는 자동화된 검토가 더 적게 지급할 근거를 찾을 때 이익을 얻는다.

AHA는 상업 보험사가 제출된 청구에 부여된 중증도 또는 지급액을 낮추는 자동화된 다운코딩을 한다고 비판한다. 병원은 이후 원래 금액을 회수하기 위해 이의를 제기해야 한다.

보험사 역시 알고리즘 기반 보장 결정에 대해 자체적인 감시를 받고 있다. 환자와 제공자는 거부를 권고하거나 급성기 이후 치료를 제한한다고 주장되는 시스템에 이의를 제기해 왔다.

UnitedHealthcare는 자사의 AI 도구가 최종 청구 결정을 내리는 것이 아니라 치료를 안내한다고 말한다. 그러나 공개 논란은 자동화된 보험사 검토를 둘러싼 신뢰가 얼마나 낮은지를 보여준다.

BCBSA의 9월 메시지는 이 분열을 더욱 선명하게 만든다. Chalker는 대등한 전쟁이라는 생각을 거부하며 보험사가 일방적인 재정 손실을 떠안고 있다고 묘사했다.

병원들은 같은 자금 흐름을 문서화된 환자 복잡성에 대한 적절한 상환으로 설명할 것이다. 이는 동일한 청구에 대한 양립할 수 없는 해석이다.

어느 쪽이 우세하든 행정 부담은 커진다. 더 상세한 코딩은 더 많은 지급자 감시를 불러오고, 이는 더 많은 문서 요청과 이의 제기로 이어진다.

각각의 새로운 통제는 또 다른 자동화된 대응을 촉발할 수 있다. 병원은 청구 거부를 예측하는 시스템을 도입하고, 보험사는 공격적인 코딩을 감지하는 시스템을 배치하며, 공급업체는 양쪽을 중심으로 최적화한다.

환자는 이런 장치를 거의 보지 못하지만, 그 비용을 부담한다. 보험사 지출 증가는 보험료, 고용주 비용, 세금, 본인 부담 의무로 전가될 수 있다.

공격적인 검토가 지급 또는 치료 접근을 지연시킬 때 환자도 피해를 볼 수 있다. 지급액이 줄어든다고 해서 그 감소가 적절한 치료를 막는다면 더 나은 결과인 것은 아니다.

이 때문에 9억 4,200만 달러라는 수치를 AI의 총비용으로 읽어서는 안 된다. 이는 코딩 강도 변화로 인한 추가 입원 지출에 대한 한 보험사 그룹의 추정치다.

여기에는 지급자 검토 시스템, 제공자 이의 제기, 소프트웨어 계약, 컴플라이언스 팀, 지연된 상환의 비용이 포함되지 않는다. 문서화 업무 감소로 인한 잠재적 절감도 제외된다.

순경제 효과는 여전히 알려지지 않았다. AI는 사무 노동을 줄이는 동시에 상환 시스템을 통해 다투어지는 금액을 늘릴 수 있다.

의료기관에서 거버넌스는 모델 정확도를 넘어 확장되어야 한다. 리더들은 어떤 시스템이 코드를 제안했는지, 어떤 증거가 이를 뒷받침했는지, 누가 이를 승인했는지를 기록해야 한다.

검색 가능한 지식 기반은 기술 팀이 정책, 평가, 감사 결정을 보존하는 데 도움을 줄 수 있다. 의료 시스템에는 보호된 임상 정보를 위해 특별히 설계된 통제도 필요하다.

추적 가능한 결정이 없다면 제공자와 보험사 모두 자동화 오류와 의도적인 최적화를 구분할 수 없다. 이는 모든 분쟁을 더 느리고 더 비싸게 만든다.

9억 4,200만 달러 추정치가 입증하지 못하는 것

이 분석은 중요한 연관성을 보여주지만, AI가 모든 추가 비용을 유발했거나 병원이 부정하게 청구했다는 점을 입증하지는 않는다.

BCBSA는 세 가지 추세를 연결한다. 더 광범위한 AI 도입, 더 높은 코딩 강도, 그리고 일부 치료 지표의 제한적인 변화다. 이들은 함께 AI 보조 청구 증가에 대한 그럴듯한 설명을 이룬다.

그러나 빠른 도입 기간에 걸친 상관관계는 직접적인 인과 증거가 아니다. 병원은 같은 기간 인력 배치, 업무 흐름, 코딩 지침, 환자 구성, 치료 환경을 바꾸었다.

이 분석은 청구 데이터도 사용한다. 이 기록은 입원 중 이루어진 모든 임상 판단을 재구성하기 위한 것이 아니라 지급을 위해 설계됐다.

BCBSA는 진단, 시술, 보장 서비스는 볼 수 있다. 그러나 관찰, 위험 관리, 약물 투여, 퇴원 계획에 영향을 준 모든 세부사항을 보지는 못할 수 있다.

치료와의 비교는 여전히 가치가 있다. 명백히 연관된 중재가 정체되거나 감소하는데 중증 진단이 크게 증가한다면 면밀한 검토가 필요하다.

그렇지만 단일 치료만으로는 진단을 완전히 검증할 수 없다. 수혈률만으로 모든 빈혈 코드가 정확했는지를 판단할 수는 없다.

9억 4,200만 달러 수치는 확정된 과지급의 원장이 아니라 기준선 대비 추정치다. 이는 이전 코딩 패턴이 유지됐다면 지출이 어떠했을지를 나타낸다.

그 기준선에도 가정이 담겨 있다. 이는 2023년의 코딩 강도를 누락되거나 불완전한 문서화가 있었던 기간이 아니라 적절한 기준점으로 취급한다.

이전 청구가 유효한 상태를 누락했다면 이후 증가는 부분적으로 정확도 향상을 반영할 수 있다. AI가 근거가 약한 진단을 부추겼다면 같은 증가는 과다코딩을 반영할 수 있다.

두 효과는 동시에 발생할 수 있다. 공개 데이터는 아직 이를 구분하지 못한다.

이 분석은 주요 장 수술을 비롯한 선택된 사례에도 집중한다. 독자는 동일한 패턴이 모든 병원 서비스에 똑같이 적용된다고 가정해서는 안 된다.

병원은 환자 집단, 코딩 관행, 소프트웨어 배포, 인간 검토 측면에서 다르다. 평균값은 책임 있는 도입과 공격적인 이상치를 모두 가릴 수 있다.

BCBSA의 이전 산과 분석은 복잡성 증가가 가장 빠른 병원들이 관찰된 증가분의 상당 부분을 이끌었다고 밝혔다. 이러한 집중은 모든 AI 사용을 동일하게 취급하기보다 특정 패턴을 감독 대상으로 삼아야 함을 시사한다.

독립 연구자들은 청구 및 모델 권고와 연결된 비식별화 환자 차트가 필요하다. 또한 이차 진단이 치료에 영향을 미쳤는지를 판단하기 위한 일관된 기준도 필요하다.

병원과 지급자는 AI가 생성한 권고의 거부율과 수정율을 공개해야 한다. 제안이 자주 삭제되는 시스템은 거의 의문을 받지 않는 시스템과 다른 위험을 제시한다.

또한 도입이 이의 제기율, 지급 지연, 임상의 업무량, 총행정 지출을 어떻게 바꾸는지도 보고해야 한다. 한 부서의 절감은 다른 곳의 비용이 될 수 있다.

의사의 도입은 이 작업을 점점 더 시급하게 만든다. 2026년 의사 설문조사는 문서화, 연구 및 기타 업무 전반에서 광범위한 전문가 사용을 확인했다.

생성된 기록이 일상화되면서 문서화는 더 구조화되고 완전해질 것이다. 진단 세부사항을 중심으로 구축된 지급 시스템은 이 추가 정보에 반응할 것이다.

핵심 질문은 상환 규칙이 임상적으로 의미 있는 복잡성과 기계가 발견한 코딩 기회를 구분할 수 있는지다. 현재 증거는 그 구분이 여전히 어렵다는 점을 시사한다.

AI 병원 청구가 계속 비용을 올리는지 보여줄 세 가지 신호

다음 단계는 독립적인 차트 검증, 보험사의 대응 조치, 그리고 추가 문서화의 가치를 결정하는 지급 규칙에 달려 있다.

첫 번째 신호는 청구, 전체 임상 기록, AI 권고를 비교하는 환자 수준 감사다. 이는 추가된 진단이 임상적으로 뒷받침되며 치료와 관련이 있었는지를 검증할 것이다.

독립 검토자가 근거 없는 코딩이 광범위하게 이루어졌음을 확인한다면 BCBSA의 주장은 상당히 강해진다. 병원은 검증을 강화하고 공급업체 성과를 공개하라는 압력을 받게 된다.

대부분의 진단이 유효한 것으로 드러난다면 분쟁은 상환 설계로 옮겨간다. 그러면 보험사는 체계적 과다청구가 아니라 더 완전한 문서화에 맞서게 된다.

두 번째 신호는 보험사의 대응이다. BCBSA는 과다코딩 패턴을 식별하고 AI 도구를 배포하는 병원에 대한 기대치를 설정하기 위해 데이터를 사용하고 있다고 말한다.

더 많은 자동화 감사, 문서 요청 또는 지급 삭감은 보험사가 경쟁을 격화하고 있음을 보여줄 것이다. 이의 제기 건수 증가는 자동화가 행정적 마찰을 높이고 있음을 나타낼 것이다.

더 건설적인 대응에는 공동 증거 기준이 포함될 것이다. 제공자와 지급자는 청구가 이의 제기 절차에 들어가기 전에 어떤 임상 신호가 특정 이차 진단을 뒷받침하는지 합의할 수 있다.

세 번째 신호는 DRG 및 코딩 정책의 변화다. 현재 상환 공식에서는 진단 하나를 추가하는 것만으로도 재정적으로 결정적일 수 있다.

규제기관과 표준 제정 기관은 사례를 더 높은 중증도 그룹으로 옮기는 상태에 대해 더 강한 문서화를 요구할 수 있다. 또한 점진적 코드에 덜 민감한 지급 모델을 검토할 수 있다.

더 높은 상환을 측정 가능한 자원 사용과 연결하는 정책 변화는 진단 포착을 극대화하려는 유인을 약화할 것이다. 코드 제한에만 초점을 맞춘 규칙은 정당한 복잡 치료에 대한 보상을 부족하게 할 위험이 있다.

이러한 신호의 방향은 또 다른 공급업체 발표보다 더 중요할 것이다. 핵심 쟁점은 더 이상 병원과 보험사가 AI를 사용할지 여부가 아니다.

그들은 이미 사용하고 있다. 문제는 이들의 시스템이 공유된 치료 기록을 개선하는지, 아니면 서로의 지급 논리에 맞서 최적화하는지다.

BCBSA는 최종 판정이 아니라 중대한 경고를 제시했다. AI 병원 청구 분석은 눈에 보이는 치료가 안정적으로 유지될 때도 자동화가 지출을 늘릴 수 있음을 시사한다.

병원들은 더 위중한 입원 환자, 더 나은 문서화, 변화하는 치료 환경에 관한 신뢰할 만한 대안 설명을 제시했다. 이 설명 역시 독립적인 검증이 필요하다.

환자와 고용주에게 결과는 어느 쪽이 더 많은 청구에서 이기는지로 측정될 수 없다. 유용한 시스템은 필요한 치료에 정확하게 보상하면서 총행정 비용을 줄여야 한다.

당면한 검증 기준은 투명성이다. 의료기관은 추적 가능한 AI 권고, 문서화된 인간 검토, 청구 및 결과에 미치는 측정 가능한 효과를 요구해야 한다.

그런 통제가 없다면, 봇과 봇이 싸우는 일이 기본적인 비즈니스 프로세스가 될 것입니다. 그러면 9억 4,200만 달러라는 추정치는 고립된 청구 분쟁이라기보다 초기 청구서에 더 가까워 보입니다.