Blue Cross AI 병원 코딩 청구, 9억 4,200만 달러 분쟁으로 번져

Blue Cross의 AI 병원 코딩 청구 분석은 병원과 보험사 간 갈등이 확대되는 가운데 9억 4,200만 달러의 추가 지출을 핵심 쟁점으로 떠올렸다. Blue Cross Blue Shield Association은 청구 기록상 진료에 상응하는 변화가 없었는데도, 더 충실한 문서화가 2024년과 2025년 지급액을 높였다고 주장한다.

이 분쟁은 단순히 청구 코드가 정확한지의 문제가 아니다. 환자 상태에 관한 디지털 기록을 누가 통제하는지, 그 기록의 가치가 얼마인지, 그리고 청구 데이터가 더 나은 문서화와 기회주의적 청구를 구분할 수 있는지를 둘러싼 문제다.

병원들은 자동화 코딩 도구가 의료진이 이전에는 놓쳤던 질환을 포착하도록 돕는다고 말한다. 보험사들은 같은 도구가 개별 검사 결과와 부차 진단을 더 높은 지급액의 청구로 전환할 수 있다고 주장한다. 양측은 서로의 판단에 이의를 제기하기 위해 AI도 활용하고 있으며, 이로 인해 모든 진료 건을 둘러싼 행정적 군비 경쟁이 형성되고 있다.

Blue Cross AI 병원 코딩 청구, 9억 4,200만 달러에 초점

Blue Cross는 비용 증가가 청구 기록상 확인되는 치료 변화가 아니라 달라진 문서화 패턴에서 비롯됐다고 말한다.

협회는 2026년 9월 24일 최신 청구 분석을 공개했다. 이 분석은 Blue Cross Blue Shield 계열사의 비식별화 청구 데이터를 검토하고, 2024년과 2025년의 병원 코딩을 2023년 기준선과 비교했다.

분석은 높아진 코딩 강도가 참여 Blue 계열사들의 지출을 9억 4,200만 달러 늘렸다고 추산했다. 코딩 강도는 제공자가 환자나 서비스를 더 복잡하고 지급액이 높은 범주로 분류하는 빈도를 뜻한다.

이 가운데 협회는 부차 질환의 문서화가 늘어난 데 따른 비용을 6억 5,300만 달러로 산정했다. 이는 병원 입원의 주된 원인이 된 주요 질환과 함께 기록되는 진단이다.

Blue Cross는 의학적으로 복잡한 입원 사례의 비중이 2023년 초 37%에서 2025년 말 40%로 올랐다고 밝혔다. 증가분의 약 70%는 부차 진단이 지급 범주를 바꾼 5만 5,000건 이상의 추가 사례와 관련됐다.

이 지급 범주는 흔히 DRG로 불리는 진단관련군이다. DRG는 진단, 시술, 합병증, 예상 자원 사용량을 바탕으로 입원 기간에 정액 지급액을 배정한다.

요건을 충족하는 합병증이나 동반질환을 추가하면 입원 건이 더 높은 중증도 DRG로 이동할 수 있다. 이 경우 주요 시술이 변하지 않아도 병원은 더 많은 보상을 받을 수 있다.

그렇다고 부차 진단이 자동으로 허위가 되는 것은 아니다. 환자에게는 이전 문서화가 포착하지 못한 실제 대사 이상, 혈액 질환 또는 다른 질환이 있을 수 있다.

Blue Cross의 주장은 더 좁다. 분석에 따르면 복잡한 코딩의 증가는 청구 기록에서 관찰되는 치료 증가와 일치하지 않았다.

독립 보도에 따르면 병원은 기존 기록을 스캔해 간과된 진단을 찾는 소프트웨어를 사용할 수 있다. 앰비언트 스크라이브는 진료 중 대화를 듣고 임상 기록 초안을 작성할 수도 있다.

이 도구들을 함께 사용하면 검색 가능한 임상 텍스트가 더 많이 생성된다. 이후 코딩 소프트웨어는 추가 진단 코드를 뒷받침하는 검사 수치, 증상, 의사 진술을 식별할 수 있다.

이 효과는 청구서에 기재된 수술, 약물 또는 시술을 바꾸지 않고도 재정적으로 중요해질 수 있다. 기록에 더 많은 데이터가 들어가고, 문서상 환자는 더 복잡한 상태로 보이며, 청구 건은 더 높은 보수를 받는 그룹으로 이동한다.

Blue Cross는 장 수술을 한 사례로 제시했다. 2023년 1분기부터 2025년 4분기까지 부분 장폐색 코딩은 보고에 따르면 55% 증가했다. 산증 코딩은 33% 늘었다.

협회는 추가된 모든 진단이 부정확했다고 주장하지는 않았다. 대신 문서화된 변화가 의미 있는 임상적 복잡성의 상응하는 증가를 나타내는지에 의문을 제기했다.

이 구분은 중요하다. 9억 4,200만 달러는 보험사 조직이 산출한 추정치이지, 병원이 사기를 저질렀거나 불필요한 치료를 제공했다는 판단은 아니다.

분석은 또한 각 병원의 소프트웨어가 무엇을 권고했는지도 직접 입증할 수 없다. 청구 기록에는 지급을 위해 제출된 코드와 서비스가 담기지만, 각 모델의 출력이나 의료진의 판단 과정은 드러나지 않는다.

따라서 이 증거는 측정 가능한 청구 변화가 있었다는 점을 뒷받침한다. 그러나 AI가 모든 변화를 초래했다거나, 진단이 만들어졌다거나, 병원이 부당한 지급을 받았다는 점을 독립적으로 입증하지는 못한다.

그럼에도 시점상 AI를 무시하기는 어렵다. 복잡한 코딩이 증가하는 동안 병원들은 자동화 청구와 문서화를 빠르게 확대했다. Blue Cross는 이제 이 상관관계를 주요 의료비 부담 문제로 다뤄야 한다고 요구한다.

병원 청구 AI가 더 많은 지급 가능 질환을 찾아내는 이유

AI는 청구 가능한 진단을 찾기 위해 이용 가능한 모든 세부 정보를 탐색하는 비용을 낮춤으로써 문서화의 경제성을 바꾼다.

전통적인 의료 코딩은 의료진, 문서화 전문가, 전문 코더가 환자 기록을 검토하는 데 의존한다. 시간 제약으로 인해 실제 질환이 문서화되지 않거나 충분한 근거를 갖추지 못할 수 있다.

AI 보조 시스템은 훨씬 더 많은 자료를 검토할 수 있다. 의사 기록, 검사 결과, 약물 이력, 영상 판독 보고서, 이전 진료 기록에서 공인 진단 코드와 연결되는 증거를 찾을 수 있다.

앰비언트 스크라이브는 여기에 한 층을 더한다. 의료진과 환자의 대화를 기록 초안으로 전환해, 짧은 수기 기록에는 담기지 않았을 세부 사항을 보존할 가능성이 있다.

문서화 시스템은 이후 의료진에게 특정 관찰 소견이 진단에 해당하는지 명확히 해 달라고 요청할 수 있다. 코딩 도구는 완성된 기록이 뒷받침하는 코드를 추천할 수 있다.

병원들은 이를 정확성의 문제로 설명한다. 바쁜 의료진이 원래 문서화에서 질환을 빠뜨렸다고 해서 환자의 건강 상태가 더 단순해지는 것은 아니다.

보험사들은 다른 가능성을 본다. 특정 질환이 해당 입원 기간 동안 제공된 치료에 실질적인 영향을 미치지 않았더라도, 소프트웨어가 가능한 모든 합병증을 찾아낼 수 있다는 것이다.

지급 시스템은 이 의견 차이에 금전적 힘을 부여한다. 많은 병원 지급액은 수행된 각각의 행위에 대한 항목별 청구서가 아니라 문서화된 복잡성을 반영한다.

두 환자가 같은 주요 시술을 받는다고 가정해 보자. 한 청구 건에는 주요 질환만 기재된다. 다른 청구 건에는 검사 데이터에서 발견되고 기록에서 명확해진 요건 충족 합병증이 포함된다.

두 번째 청구 건은 코딩된 환자가 더 많은 자원을 필요로 하는 것으로 보이기 때문에 더 높은 지급액을 받을 수 있다. 그러나 청구 기록에는 유사한 시술과 치료가 나타날 수 있다.

이것이 Blue Cross의 AI 병원 코딩 주장 뒤에 있는 메커니즘이다. AI는 서비스를 조작하거나 지급 규칙을 바꿀 필요가 없다. 기존 보상 경계를 넘도록 사례를 이동시키는 문서화를 찾아내기만 하면 된다.

이 기술은 이미 그러한 경계로 가득한 시스템에 도입됐다. 병원들은 현대적 머신러닝이 등장하기 훨씬 전부터 복잡성을 문서화할 재정적 유인을 갖고 있었다.

과거 청구 패턴에 관한 연구도 이러한 배경을 뒷받침한다. 5개 주를 다룬 한 연구는 최고 강도 병원 분류가 2011년부터 2019년까지 41% 증가했으며, 연구진은 예상 증가율을 13%로 추정했다고 밝혔다.

해당 연구는 2011년 관행과 비교해 코딩 변화가 2019년 병원 지급액 146억 달러 증가와 연결됐다고 분석했다. 연구진은 정확한 문서화와 부적절한 상향 코딩을 구분하려면 추가 연구가 필요하다고 주의를 당부했다.

따라서 AI는 완전히 새로운 유인을 만드는 대신 기존 유인을 가속한다. 더 구체적이거나 중증인 코드를 뒷받침하는 증거를 찾는 비용을 낮춘다.

도입 데이터는 이 문제가 왜 시급해졌는지를 보여준다. 한 연방 병원 설문조사는 응답 병원의 71%가 2024년에 전자건강기록과 통합된 예측 AI를 사용했다고 밝혔다.

2023년의 비율은 66%였다. 이미 예측 AI를 사용하던 병원 가운데 청구 자동화는 가장 빠르게 성장한 활용 분야 중 하나였다.

청구를 단순화하거나 자동화하기 위한 예측 AI 사용은 2023년 36%에서 2024년 61%로 증가했다. 25%포인트의 증가는 치료 권고 분야에서 보고된 성장보다 컸다.

대형 병원과 병원 시스템 소속 병원은 소규모 독립 시설보다 이러한 기술을 더 자주 도입했다. 2024년 다병원 시스템 구성원의 86%가 예측 AI를 사용한다고 답한 반면, 독립 병원의 비율은 37%였다.

이 격차는 여러 시설에 AI를 배포할 수 있는 조직에 절감 효과와 재정적 영향 모두를 집중시킬 수 있다. 시스템 차원에서 도입된 코딩 워크플로는 수천 건의 청구에 영향을 미칠 수 있다.

다만 연방 설문조사는 예측 AI 전반을 다룬다. 특정 병원이 특정 분쟁 대상 Blue Cross 청구 건에 AI 코딩 도구를 사용했다는 점을 입증하지는 않는다.

설문조사와 청구 분석은 서로 다른 질문에 답한다. 하나는 빠른 도입을 기록하고, 다른 하나는 코딩과 지출의 변화를 측정한다.

둘을 연결하면 그럴듯한 설명은 가능하지만, 완전한 인과 감사는 아니다. 인과관계를 확립하려면 소프트웨어 도입 시점, 모델 권고, 의료 차트, 의료진 승인, 실제 사용 자원에 관한 정보가 필요하다.

이 누락된 증거가 분쟁의 핵심이다. 보험사는 방대한 청구 데이터세트를 보유하고, 병원은 각 진단을 검증할 수 있는 임상 기록을 보유한다.

어느 한쪽도 전체 그림을 단독으로 갖고 있지 않다. AI는 기록의 이용 가능한 한쪽을 막대한 규모로 처리할 수 있기 때문에 이러한 정보 불균형을 더 중대하게 만든다.

병원과 보험사는 청구의 반대편을 자동화하고 있다

핵심 갈등은 AI와 인간 판단의 대립이 아니다. 병원의 수익 최적화와 보험사의 지급 통제 간 대립이다.

병원들은 수년간 거절, 문서화 요청, 지급 지연, 사전 승인 요건을 겪은 뒤 이 경쟁에 뛰어들었다. 이들의 소프트웨어 공급업체는 수작업을 줄이고 임상 기록이 뒷받침하는 수익을 회수하겠다고 약속한다.

보험사도 청구 심사, 지급 무결성, 사기 탐지, 이용 검토, 지급 후 감사에 사용하는 자체 시스템을 갖고 있다. 이 도구들은 근거 없는 코드, 청구 이상 징후, 보장 규정을 충족하지 않는 서비스를 찾는다.

병원 모델은 부차 진단을 추천할 수 있다. 보험사 모델은 그 진단을 검토 대상으로 표시하거나 지급 효과를 제거할 수 있다. 이후 병원 소프트웨어는 같은 의료 기록을 바탕으로 이의신청 초안을 작성할 수 있다.

그 결과는 AI 루프다. 한 시스템이 청구를 확대하고, 다른 시스템이 이를 다투며, 세 번째 시스템이 대응 자료를 구성할 수 있다.

16개 주의 대형 보험사 93곳을 대상으로 한 2025년 설문조사에서는 84%가 최소 한 가지 운영 목적에 AI를 사용한 것으로 나타났다. 보고된 활용 사례에는 청구 심사, 사전 승인, 이용 관리가 포함됐다.

이 AI 군비 경쟁에 대한 상세 분석은 보험자와 의료 제공자 양측에 판매되는 도구를 확인했다. 보험사 제품은 요청과 청구를 심사하고, 의료 제공자 제품은 기록을 수집해 승인 요청이나 이의신청을 준비한다.

이러한 대칭성은 보험사들의 비판을 복잡하게 만든다. 보험사들 역시 알고리즘을 사용해 지급 결정을 관리하는 상황에서, 자동화 자체가 본질적으로 부적절하다고 쉽게 주장할 수는 없다.

병원들도 Blue Cross의 조사 결과를 해소하지 않은 채 같은 지적을 할 수 있다. 보험사의 논란이 된 자동화 활용이 모든 추가 병원 진단이 정당하다는 사실을 입증하는 것은 아니다.

각 당사자는 자사의 AI를 비효율에 맞서는 방어 수단으로 제시한다. 그리고 상대방의 AI는 재정적 이익을 끌어내기 위한 도구라고 묘사하는 경향이 있다.

환자들은 이 두 입장 사이에 놓인다. 논란이 되는 코드는 본인부담금, 보험료, 병원 재정, 그리고 청구를 정산하는 데 필요한 행정적 노력에 영향을 미칠 수 있다.

많은 고용주가 근로자의 건강보험 혜택을 재정적으로 지원하기 때문에 위험의 일부를 부담한다. 인정 청구액이 높아지면 플랜 비용이 증가할 수 있고, 공격적인 지급 삭감은 의료 제공자 네트워크를 압박할 수 있다.

당장의 압박은 보험사에 가해진다. 청구에 추가 진단이 일상적으로 더 많이 포함된다면, 과거의 가격 산정 가정은 미래 의료비 지출을 과소평가할 수 있다.

보험사는 심사를 강화하거나, 계약을 변경하거나, 더 많은 문서를 요구하거나, 지급 감사를 확대하는 방식으로 대응할 수 있다. 이러한 조치는 병원의 행정 업무를 늘릴 수 있다.

병원은 다른 종류의 압박에 직면한다. 복잡한 치료에 대한 지급을 받으려면 충분히 상세한 기록을 남겨야 하지만, 동시에 소프트웨어가 임상 기록을 부풀리는 듯한 인상을 피해야 한다.

사람에 의한 검토는 안전장치 역할을 해야 한다. AI 도구가 무엇을 권고하든, 병원은 자기 명의로 제출된 코드에 대해 책임을 진다.

그러나 사람의 승인이 완전한 해답은 아니다. 특히 소프트웨어가 실제 진료기록 데이터와 연결된 정교한 설명을 제시할 경우, 검토자는 제안을 지나치게 쉽게 수용할 수 있다.

소프트웨어는 입원 중 사용된 자원과는 거의 관련이 없는 실제 진단을 찾아낼 수도 있다. 이는 임상 기록의 완전성과 지급 관련성 사이에 충돌을 만든다.

따라서 병원은 청구가 정확하다고 주장할 수 있는 반면, 보험사는 더 높은 보상이 경제적으로 정당화되지 않는다고 주장할 수 있다. 동일한 지급 구조 아래에서 두 주장 모두 타당할 수 있다.

Blue Cross는 추가 치료가 없다는 점을 더 높은 복잡성이 가치를 더하지 않았다는 증거로 본다. 병원은 청구가 입원 기간 중 이루어진 모든 임상 판단, 모니터링 필요성, 또는 관리된 위험을 포착하지는 못한다고 반박할 수 있다.

이 의견 차이는 시술 건수만 세어서 해결할 수 없다. 일부 합병증은 별도의 청구 가능 개입을 만들어내지 않으면서도 더 면밀한 모니터링을 요구한다.

반대로 검사실 이상 소견이 있다고 해서 환자가 실질적으로 더 많은 치료를 필요로 했다는 뜻은 항상 아니다. 자동화 시스템은 경계선상의 소견을 정식 진단으로 전환하기 훨씬 쉽게 만들 수 있다.

이 기술은 해결되지 않은 정책적 질문을 드러냈다. 관찰 가능한 치료가 비슷하게 유지되더라도, 문서화가 더 완전해지면 지급액이 증가해야 하는가?

현행 DRG 규칙은 추가 질환이 코딩 요건을 충족할 경우 대체로 그렇다고 답한다. 보험사들은 임상적 영향이나 자원 사용에 기반한 두 번째 검증 기준을 점점 더 요구하고 있다.

그렇게 되면 분쟁의 초점은 코드의 유효성에서 관련성의 증거로 이동한다. 또한 어느 쪽도 현재 제공하지 않는 더 투명한 규칙이 요구될 것이다.

9억 4,200만 달러 추정치가 입증하지 못하는 것

보험사의 분석은 심각한 패턴을 확인하지만, 공개된 증거만으로 추가된 모든 진단을 AI가 생성한 업코딩으로 간주할 수는 없다.

첫 번째 한계는 귀속 문제다. Blue Cross는 병원의 AI 도입이 확대된 기간에 코딩 강도가 상승한 사실을 관찰했다.

이 연관성은 중요하지만, 여러 요인이 함께 움직일 수 있다. 환자가 더 중증이 될 수 있고, 문서화 규칙이 바뀔 수 있으며, 덜 복잡한 치료가 병원 밖으로 이동할 수 있다.

일상적인 사례가 외래 환경으로 이동하면, 입원 환자는 의학적으로 더 복잡한 집단을 구성할 수 있다. 이러한 변화는 조작 없이도 평균 코딩 중증도를 높일 수 있다.

American Hospital Association은 병원 입장문에서 이 주장을 제기한다. 이 단체는 고령화, 만성질환, 변화하는 치료 환경, 코딩 지침의 변경도 기록된 중증도에 영향을 미친다고 말한다.

이 협회는 임상의가 코드 검증 책임을 계속 지는 가운데 AI가 문서화의 정확성을 개선할 수 있다고 주장한다. 또한 보험사 자체의 재정적 유인과 논란이 된 코딩 관행도 지적한다.

이러한 반박이 Blue Cross 데이터를 무효화하는 것은 아니다. 다만 청구 데이터만을 분석해서는 소프트웨어를 원인으로 결정적으로 분리해낼 수 없는 이유를 보여준다.

두 번째 한계는 임상 기록에 관한 것이다. 분석의 공개 설명은 청구, 코딩 범주, 치료 패턴을 강조한다.

청구는 지급 행정을 위해 설계됐다. 이는 완전한 환자 차트가 아니며, 이차 질환이 왜 중요했는지를 설명하는 임상적 추론을 누락할 수 있다.

공정한 감사라면 코드와 전체 기록을 비교해야 한다. 진단 기준이 충족됐는지, 임상의가 진단을 승인했는지, 그리고 해당 질환이 치료에 영향을 미쳤는지를 물어야 한다.

세 번째 한계는 기준선에 있다. 9억 4,200만 달러 추정치는 2024년과 2025년의 패턴을 2023년과 비교한다.

이 접근법은 변화를 수량화하지만, 2023년이 자동으로 올바른 문서화 수준을 의미하는 것은 아니다. 과거 기록은 수작업 절차가 놓친 유효한 진단을 누락했을 수 있다.

AI가 체계적인 문서화 부족을 바로잡는다면, 일부 높은 지급액은 새로운 낭비가 아니라 뒤늦게 확보된 정확성을 반영한다. 경제적 비용은 증가하지만 청구는 더 완전해진다.

네 번째 한계는 치료 변화가 없다는 말의 의미다. 동일한 시술이 동일한 임상 업무량을 보장하지는 않는다.

한 환자는 눈에 띄는 새 청구 항목을 만들지 않으면서도 추가 모니터링, 전문의 의견, 또는 간호 인력을 필요로 할 수 있다. 다른 환자는 기술적으로 유효한 추가 진단을 갖고도 같은 치료를 받을 수 있다.

강력한 결론에는 환자 수준의 증거가 필요하다. 총지출과 코딩 추세만으로는 이러한 상황을 명확히 구분할 수 없다.

다섯 번째 한계는 선택 편향이다. Blue Cross의 이전 연구는 비교적 적은 수의 병원이 복잡한 코딩 증가분의 상당 부분을 이끌었다는 사실을 발견했다.

이러한 집중 현상은 표적 조사를 뒷받침할 수 있다. 동시에 AI 문서화 도구를 사용하는 모든 병원에 시스템 전반의 낙인을 찍지 말아야 한다는 경고이기도 하다.

가장 유익한 비교는 특정 도구 도입 전후의 시설을 살펴보는 것이다. 연구자들은 이러한 병원을 동일한 기술을 도입하지 않은 유사 시설과 비교할 수 있다.

또한 환자 구성, 지역 질병 추세, 코딩 규칙 변경, 입원과 외래 진료 간 이동도 고려해야 한다.

독립적인 검토는 놓친 진단뿐 아니라 거짓 양성도 평가해야 한다. 실제 질환을 더 많이 포착하는 시스템은 비용을 증가시키는 동시에 기록 품질을 개선할 가능성이 있다.

벤더의 투명성도 똑같이 중요하다. 병원과 보험사는 어떤 증거가 권고를 유발했는지, 어떤 모델 버전이 이를 생성했는지, 사람이 결과를 변경했는지를 알아야 한다.

감사 추적 기록은 AI 제안과 최종적으로 임상의가 승인한 문서화를 분리할 수 있다. 또한 특정 프롬프트가 청구를 더 높은 지급 그룹으로 일관되게 밀어 올리는지도 드러낼 수 있다.

모델 성능은 코딩 정확도만이 아니라 지급 측면에서도 측정돼야 한다. 도구는 코딩 지침에 부합하면서도 임상적 효과가 제한적인 질환에 대한 보상을 체계적으로 늘릴 수 있다.

보험사 알고리즘도 동일한 수준의 검토를 받아야 한다. 지급 시스템은 통계적 이상치를 정확히 감지하면서도 비정상적으로 복잡한 환자 집단을 치료하는 병원에 부당한 불이익을 줄 수 있다.

이 불확실성이 9억 4,200만 달러를 무의미하게 만드는 것은 아니다. 이는 그 숫자가 실제로 무엇을 나타내는지 규정한다.

이는 더 높은 코딩 강도와 연관된 Blue Cross의 추가 지출 추정치다. 사기, 불필요한 치료, 또는 조작된 진단에 대한 검증된 총액은 아니다.

이처럼 신중한 틀 설정은 중요하다. 성급한 결론은 자동화된 정책으로 굳어질 수 있기 때문이다. 보험사는 독립적 증거가 어떤 청구가 뒷받침되지 않는지 확인하기 전에 광범위한 삭감을 적용할 수 있다.

병원도 마찬가지로 이러한 모호성을 이용해 보상을 일관되게 극대화하는 코딩 시스템 조사를 피할 수 있다. 어느 대응이든 환자보다 기관의 이익을 보호하게 된다.

가장 타당한 해석은 이 두 극단 사이에 있다. AI는 임상 문서화를 더 철저하게 만들었고, 지급 시스템은 이 새로운 세부 정보에 상당한 가치를 부여한다.

그 가치의 일부는 실제 복잡성을 반영한다. 일부는 이전에 청구되지 않았던 진단을 반영할 가능성이 있으며, 일부는 재정적 효과가 임상적 중요성을 초과하는 코드를 반영할 수 있다.

남은 질문은 각 범주에 얼마나 속하는가다. 공개된 증거는 아직 그 배분을 제공하지 않는다.

AI 코딩이 더 나은 치료 없이 비용을 올리는지 보여줄 세 가지 신호

다음 단계에서는 상충하는 총량 주장 대신, 각 진단·AI 권고·지급 변화가 연결된 감사 가능한 증거를 제시해야 한다.

첫 번째 신호는 보험사가 적절한 개인정보 보호 조치를 갖춘 환자 수준 검증 연구를 공개하는지 여부다. 이 연구는 청구와 의료 차트를 비교하고, 추가된 질환이 치료, 모니터링, 또는 자원 사용에 영향을 미쳤는지 문서화해야 한다.

청구 추세만으로는 논쟁이 계속 양극화될 것이다. 차트 검토 표본은 AI 지원 코드가 유효한지, 무효한지, 또는 임상적으로 경미한지의 빈도를 추정할 수 있다.

독립 검토자가 임상 증거의 뒷받침 없이 광범위한 지급 증가를 확인한다면, Blue Cross의 AI 병원 코딩 사례는 훨씬 강해진다. 대부분의 진단이 명확한 기준을 충족하고 치료에 영향을 미친다면, 병원 측 입장이 힘을 얻는다.

두 번째 신호는 계약과 지급 정책이 어떻게 바뀌는지다. 보험사는 표적 감사를 도입하거나, 이차 진단에 더 강한 증거를 요구하거나, 주로 단일 검사실 수치를 통해 확인된 질환에 대한 보상을 개정할 수 있다.

병원은 AI 보조 문서화를 자동으로 할인하는 규칙에 이의를 제기할 가능성이 높다. 소프트웨어가 이를 뒷받침하는 증거를 찾는 데 도움을 주었다는 이유만으로 코드가 무효가 되어서는 안 된다.

가장 신뢰할 수 있는 정책은 문서화 품질과 임상적 효과에 초점을 맞출 것이다. 특정 도구를 사용하는 시설에 대한 일괄적 제재는 방법과 결과의 정확성을 혼동하게 된다.

지급자가 어떤 질환을 검토 대상으로 삼는지 공개하는지, 의료 제공자가 이해할 수 있는 설명을 받는지를 지켜봐야 한다. 불투명한 삭감은 보험사가 병원 자동화에서 지적하는 것과 동일한 책임성 문제를 재현할 것이다.

거절, 이의 제기, 지급 지연이 증가하면 AI 군비 경쟁이 심화되고 있음을 보여준다. 분쟁 청구가 감소한다면 더 명확한 기준이 자리 잡고 있음을 시사한다.

세 번째 신호는 규제기관이 지급자와 의료 제공자 알고리즘에 대한 공통 감사 요건을 마련하는지 여부다. 양측은 모델 버전, 권고, 사람의 승인, 그리고 결과를 재정의한 이유를 보존해야 한다.

규제기관은 AI 보조 코딩이 본질적으로 의심스럽다고 판단할 필요가 없다. 자동화된 권고가 추적 가능하고 실질적인 검토에 열려 있다는 증거가 필요하다.

공통 기준은 벤더 성능 비교에도 도움이 된다. 병원은 제품이 근거 없는 진단을 얼마나 자주 제안하는지 측정할 수 있고, 보험사는 자사 시스템에 의한 부적절한 다운코딩을 측정할 수 있다.

공개 보고는 여러 결과를 구분해야 한다. 여기에는 더 정확한 문서화, 더 높은 보상, 추가 임상 업무, 번복된 거절, 그리고 확인된 코딩 오류가 포함된다.

이러한 결과를 하나의 효율성 점수로 합치면 상충 관계가 가려진다. 도구는 사무 업무를 줄이는 동시에 지출이나 분쟁을 늘릴 수 있다.

병원 역시 AI 권고가 큰 지급액 변동을 유발하는 코드에 집중되는지 모니터링해야 한다. 완전성을 목표로 조정된 모델이 수익 극대화 엔진처럼 작동해서는 안 된다.

보험사는 검토가 실제 이상 징후를 겨냥하는지, 아니면 문서화된 복잡성을 단지 뒤집는 데 그치는지 살펴봐야 한다. 높은 지급 거절 건수는 높은 지급 정확도의 증거가 아니다.

환자와 고용주는 비용이 어디로 전가되는지 더 명확히 알아야 한다. 보험사의 지출 증가는 보험료, 본인부담금, 고용주 예산 또는 계약 협상으로 이어질 수 있다.

병원 지급액 감소는 인력 운영, 서비스, 의료 접근성에도 영향을 미칠 수 있다. 어느 쪽도 자신이 선호하는 재무적 결과가 자동으로 환자에게 이익이 된다고 주장할 수는 없다.

핵심 교훈은 AI가 의료 문서를 능동적인 경제적 수단으로 바꾸었다는 점이다. AI는 인간 팀보다 더 빠르게 기록에서 더 많은 정보를 추출하고, 그 정보에 지급 결과를 연결할 수 있다.

Blue Cross의 추정치는 이 갈등에 눈에 띄는 수치를 제시하지만, 지속적인 쟁점은 거버넌스다. 추가된 진단을 누가 검증하는지, 그 임상적 관련성을 누가 측정하는지, 그리고 기계 지원 결정에 누가 이의를 제기할 수 있는지가 관건이다.

독자는 집계된 청구 자료만을 근거로 한 또 한 번의 비난전이 아니라, 이러한 질문에 답하는 근거를 지켜봐야 한다. 결정적인 시험대는 병원과 보험사가 또 다른 불투명한 자동화 검토 계층을 만들지 않으면서, 더 높은 지급액을 문서화된 환자 필요와 연결할 수 있는지 여부다.

그러한 근거가 나타날 때까지 9억 4,200만 달러는 최종 판결이 아니라 신뢰할 만한 경고 신호로 받아들여야 한다. 새로운 진료기록 검증 연구, 계약 변경, 연방 감사 규정을 주시하라. 이러한 전개는 AI가 불완전한 기록을 바로잡고 있는지, 청구 인센티브를 증폭하고 있는지, 혹은 두 가지를 동시에 하고 있는지를 보여줄 것이다.