Roszczenie Blue Cross dotyczące AI w rozliczeniach szpitalnych wycenia automatyzację na 942 mln USD

Blue Cross Blue Shield twierdzi, że AI w rozliczeniach szpitalnych zwiększyła wydatki jej członków na opiekę zdrowotną o 942 mln USD w latach 2024 i 2025. Grupa ubezpieczycieli wiąże ten wzrost z roszczeniami opisującymi większą liczbę pacjentów jako medycznie złożonych, mimo że stwierdziła niewielkie odpowiadające temu zmiany w leczeniu.

To uderzające odwrócenie podstawowej obietnicy AI w branży ochrony zdrowia. Automatyzacja miała ograniczać biurokrację i administracyjne marnotrawstwo. Zamiast tego ta sama technologia pomaga dziś świadczeniodawcom znajdować dodatkowe rozpoznania, podczas gdy ubezpieczyciele budują zautomatyzowane systemy, aby kwestionować wynikające z nich roszczenia.

Szpitale zdecydowanie kwestionują interpretację grupy ubezpieczycieli. Twierdzą, że pacjenci są starsi i ciężej chorzy, mniej złożona opieka przeniosła się poza szpitale, a lepsza dokumentacja ujmuje uzasadnione schorzenia, których klinicyści wcześniej nie dostrzegali.

Dostępne dowody nie rozstrzygają tego sporu. Blue Cross Blue Shield Association, czyli BCBSA, analizowało roszczenia, a nie pełne dokumentacje pacjentów. Jej ustalenia wskazują na kosztowny wzorzec, ale nie dowodzą, że AI spowodowała każde rozpoznanie ani że wynikające z nich rachunki były nieprawidłowe.

Istotniejsza jest struktura zachęt otaczająca to oprogramowanie. Pojedyncze dodatkowe rozpoznanie może przenieść hospitalizację do wyżej opłacanej kategorii, nawet gdy udokumentowane leczenie niemal się nie zmienia.

Tworzy to wyścig automatyzacyjny, którego wynik finansują pacjenci, pracodawcy, podatnicy, szpitale i ubezpieczyciele.

Co Blue Cross wykrył w rozliczeniach szpitalnych wspieranych przez AI

BCBSA twierdzi, że roszczenia szpitalne stawały się znacznie bardziej złożone niż wskazywałaby na to opieka odnotowana wraz z nimi.

Stowarzyszenie przeanalizowało roszczenia dotyczące hospitalizacji, składane do spółek Blue Cross i Blue Shield od początku 2023 roku do końca 2025 roku. Jego analiza rozliczeń porównała zmiany w kodowaniu rozpoznań ze zmianami w udokumentowanym leczeniu.

Udział przypadków hospitalizacyjnych rozliczanych jako medycznie złożone wzrósł z około 37% na początku 2023 roku do 40% pod koniec 2025 roku. W ujęciu procentowym zmiana ta wygląda skromnie, lecz jej skutki płatnicze kumulują się w tysiącach hospitalizacji.

BCBSA oszacowało, że rosnąca intensywność kodowania zwiększyła o 942 mln USD kwoty wypłacone przez spółki członkowskie w latach 2024 i 2025. Jako punkt odniesienia przyjęto wzorce kodowania z 2023 roku.

Intensywność kodowania opisuje, ile rozpoznań pojawia się w roszczeniu i jak poważnie przedstawiają one stan pacjenta. Większa intensywność może przypisać hospitalizację do droższej kategorii refundacyjnej.

Około 653 mln USD szacowanego wzrostu wynikało z rozpoznań wtórnych. Są to schorzenia odnotowywane obok głównej przyczyny przyjęcia do szpitala.

Ponad 55 000 dodatkowych przypadków trafiło do kategorii o wyższej ciężkości z powodu tych wtórnych schorzeń. Według szczegółowego raportowania roszczeń średnia dodatkowa refundacja wyniosła około 11 800 USD na każdy nadmiarowy złożony przypadek.

Mechanizmem płatności jest grupa jednorodnych przypadków chorobowych, powszechnie nazywana DRG. Klasyfikuje ona pobyty szpitalne i przypisuje refundację częściowo na podstawie oczekiwanej złożoności klinicznej.

Poważne powikłanie może przenieść roszczenie do wyższego poziomu DRG. Taki poziom zakłada, że pacjent wymagał większych zasobów, monitorowania lub leczenia.

Systemy AI do kodowania mogą przeszukiwać wyniki badań laboratoryjnych, notatki lekarzy i dokumentację elektroniczną pod kątem schorzeń uzasadniających bardziej złożoną klasyfikację. Ambient scribes mogą również rejestrować szczegóły rozmów klinicznych i przekształcać je w uporządkowane notatki.

BCBSA twierdzi, że ponad 60% systemów szpitalnych korzysta już z technologii wspieranej przez AI w zadaniach obejmujących dokumentację i kodowanie. Takie wdrożenie daje szpitalom szybszą metodę identyfikowania każdego potencjalnie rozliczalnego schorzenia w dokumentacji.

Grupa ubezpieczycieli skoncentrowała się na tym, czy kodowanie o wyższej ciężkości odpowiadało innej opiece. Twierdzi, że oczekiwane zmiany w leczeniu często się nie pojawiały.

Luke Chalker, starszy wiceprezes BCBSA ds. produktów i data science, ujął problem właśnie wokół tej luki. Argumentował, że gdyby pacjenci rzeczywiście byli ciężej chorzy, dane powinny pokazywać dodatkowe leczenie.

Jeden z przykładów dotyczył poważnych zabiegów jelitowych. Udział roszczeń na najwyższym poziomie złożoności wzrósł z 10,2% do 22,7% w okresie badania.

Jednocześnie udział przypadków niezłożonych spadł z 36,6% do 32,8%. BCBSA powiązało te zmiany z niemal 61 mln USD dodatkowych wydatków.

Schorzenia obejmujące anemię, częściową niedrożność jelit i kwasicę częściej pojawiały się jako rozpoznania wtórne. Niektóre z nich można zidentyfikować na podstawie pojedynczej wartości laboratoryjnej, co czyni je łatwym celem automatycznego przeglądu dokumentacji.

BCBSA nie stwierdziło jednak odpowiadającego wzrostu interwencji, takich jak transfuzje krwi, u pacjentów zakodowanych z anemią. Ta rozbieżność wspiera jego tezę, że bardziej zmieniła się dokumentacja niż leczenie.

Wniosek pozostaje analizą własnych danych płatniczych ubezpieczyciela. Mimo to nadaje niezwykle konkretną wartość liczbową obawie, która wcześniej pozostawała głównie anegdotyczna.

Dlaczego jedno dodatkowe rozpoznanie może zmienić rachunek

AI nie musi wymyślać choroby, aby zwiększyć refundację. Wystarczy, że ujawni schorzenie zmieniające kategorię płatności.

To rozróżnienie ma znaczenie, ponieważ określenie „AI upcoding” może sugerować sfabrykowane rozpoznania. Rzeczywisty mechanizm jest subtelniejszy i trudniejszy do oceny.

Dokumentacja szpitalna zawiera znacznie więcej informacji niż końcowe roszczenie. Może obejmować wyniki badań laboratoryjnych, leki, obserwacje klinicystów, wywiady oraz szczegóły z wielu oddziałów.

Ludzcy koderzy muszą zdecydować, które schorzenia spełniają zasady kodowania i wpływają na refundację. Pominięcie potwierdzonego rozpoznania może pozostawić należną płatność niewykazaną.

Narzędzia AI rozszerzają to wyszukiwanie. Mogą konsekwentnie analizować obszerne dokumentacje, oznaczać istotne wartości i sugerować kody, zanim roszczenie trafi do ubezpieczyciela.

Wyobraźmy sobie pacjenta przyjętego na operację jelit. Zabieg jest główną przyczyną pobytu, lecz dokumentacja może również zawierać niski wynik sodu.

Jeśli wynik ten uzasadnia rozpoznanie wtórne zgodnie z zasadami kodowania, może ono zwiększyć odnotowaną ciężkość przypadku. Może wtedy przenieść hospitalizację do wyżej opłacanej grupy DRG.

Operacja się nie zmienia. Długość pobytu pacjenta również może się nie zmienić. Zmienia się klasyfikacja finansowa.

Nie oznacza to automatycznie, że rozpoznanie jest fałszywe. Schorzenie może być klinicznie rzeczywiste, choć nie wymagać poważnej interwencji podczas hospitalizacji.

Ten punkt leży w centrum sporu. BCBSA traktuje stabilne wzorce leczenia jako dowód, że udokumentowana złożoność wyprzedziła istotną zmianę kliniczną.

Szpitale odpowiadają, że refundacja powinna odzwierciedlać wszystkie schorzenia, którymi klinicyści zarządzali, które monitorowali lub brali pod uwagę. Sama skala leczenia może nie oddawać tej pracy.

Debata wykracza również poza autonomiczne kodowanie medyczne. Systemy dokumentacji ambientowej nasłuchują podczas wizyt klinicznych i tworzą robocze notatki do weryfikacji przez klinicystów.

Systemy te mają ograniczać konieczność pisania i pracę po godzinach. Rejestrują też więcej z tego, co mówią klinicyści, w tym schorzenia, które starsze i krótsze notatki mogły pomijać.

Bardziej kompletna dokumentacja może zatem poprawiać dokładność, jednocześnie zwiększając wydatki. Te skutki nie wykluczają się wzajemnie.

Wcześniejsze badanie kodowania BCBSA i Blue Health Intelligence analizowało podobne wzorce przy przyjęciach położniczych. Stwierdziło więcej rozpoznań ostrej niedokrwistości pokrwotocznej bez proporcjonalnego wzrostu liczby transfuzji.

Analiza oszacowała dodatkowe wydatki położnicze na 22 mln USD w badanym okresie. Prognozowała też szerszą ekspozycję wydatków szpitalnych i ambulatoryjnych wynikającą z bardziej intensywnego kodowania.

Wrześniowa analiza rozszerza ten wzorzec na kolejną kategorię kliniczną i późniejszy okres roszczeń. To powtórzenie wzmacnia obawy BCBSA, lecz nadal nie potwierdza indywidualnych naruszeń zasad rozliczania.

Różnica między prawidłowym ujęciem a niewłaściwym zawyżaniem kodowania zależy od dowodów na poziomie pojedynczego pacjenta. Roszczenia mogą pokazywać, co szpitale rozliczyły i jakie procedury odnotowali ubezpieczyciele.

Roszczenia nie zawsze mogą jednak pokazać, dlaczego klinicysta monitorował dane schorzenie, czy wpłynęło ono na decyzje ani czy każdy kod spełniał obowiązujący standard.

Rozstrzygający audyt wymagałby pełnej dokumentacji, wytycznych dotyczących kodowania, uzasadnienia klinicystów i ludzkiej oceny. BCBSA nie udostępniło publicznie takiego poziomu walidacji dla poszczególnych przypadków.

W przypadku rozliczeń szpitalnych wspieranych przez AI ta luka w weryfikacji ma kluczowe znaczenie. Automatyzacja może ujawnić pomijane szczegóły kliniczne, ale może też optymalizować dokumentację pod kątem zasad refundacji.

Ten sam silnik rekomendacyjny może wykonywać oba zadania w jednym szpitalu. Jego wpływ finansowy zależy od tego, jak personel weryfikuje sugestie i jak premiują je formuły płatności.

Szpitale twierdzą, że roszczenie Blue Cross dotyczące AI pomija ciężej chorych pacjentów

Szpitale argumentują, że rosnąca złożoność roszczeń odzwierciedla rzeczywiste zmiany wśród pacjentów, miejscach świadczenia opieki i jakości dokumentacji.

American Hospital Association, czyli AHA, odrzuciło zarzuty, że narzędzia AI wykorzystywane przez świadczeniodawców niewłaściwie napędzają intensywność kodowania. Stanowisko organizacji poprzedza najnowsze oszacowanie na 942 mln USD.

W opublikowanej w sierpniu 2026 roku karcie informacyjnej dotyczącej kodowania stowarzyszenie określiło takie oskarżenia jako niepotwierdzone. Wskazało kilka alternatywnych wyjaśnień dla bardziej złożonych roszczeń.

Po pierwsze, zmieniła się populacja pacjentów hospitalizowanych. Starzejące się społeczeństwo i wyższe wskaźniki chorób przewlekłych mogą sprawiać, że szpitale leczą pacjentów z większą liczbą współistniejących schorzeń.

Po drugie, wiele prostszych procedur przeniosło się do ośrodków ambulatoryjnych lub gabinetów lekarskich. Pacjenci pozostający w szpitalach reprezentują więc bardziej złożoną grupę.

Po trzecie, wytyczne kodowania i praktyki dokumentacyjne nadal ewoluują. Bardziej szczegółowa dokumentacja może podnosić mierzoną ostrość przypadku, nawet gdy populacja bazowa zmienia się stopniowo.

AHA twierdzi, że ludzka weryfikacja pozostaje niezbędna, gdy szpitale wykorzystują AI. Podkreśla także, że świadczeniodawcy zachowują prawne, etyczne i umowne obowiązki dotyczące składania dokładnych kodów.

Według danych organizacji 19% wzrostu kosztów szpitalnych między 2019 a 2024 rokiem wynikało z leczenia ciężej chorych, bardziej złożonych pacjentów. Analiza AHA i Vizient wykazała, że indeks miksu przypadków szpitalnych wzrósł w tym okresie o około 5%.

Indeks miksu przypadków mierzy względną złożoność kliniczną i oczekiwane wykorzystanie zasobów przez pacjentów szpitalnych. Wyższy indeks zasadniczo wspiera tezę, że populacje hospitalizowane wymagają intensywniejszej opieki.

Liczby te nie podważają bezpośrednio ustaleń BCBSA dotyczących zabiegów jelitowych. Pokazują, dlaczego rosnącej stopy złożoności nie można automatycznie przypisywać oprogramowaniu.

Porównanie leczenia przeprowadzone przez BCBSA również ma ograniczenia. Niektóre schorzenia wtórne wpływają na monitorowanie, osąd kliniczny, wybór leków lub planowanie wypisu, nie prowadząc do poważnej procedury rozliczalnej.

Anemia jest użytecznym przykładem. Transfuzja jest jedną z odpowiedzi na poważną utratę krwi, lecz nie każde rozpoznanie anemii jej wymaga.

Stabilny wskaźnik transfuzji rodzi więc zasadne pytanie, ale go nie rozstrzyga. Przeglądy dokumentacji musiałyby sprawdzić, czy każde rozpoznanie spełniało wymogi kodowania.

Szpitale argumentują również, że lepsza dokumentacja koryguje historyczne niedokodowanie. Z ich perspektywy automatyzacja pomaga uchwycić pracę, która już była wykonywana, lecz nie zawsze była konsekwentnie odzwierciedlana w rozliczeniach.

To twierdzenie samo w sobie wiąże się z niepewnością. Narzędzie zaprojektowane do wyszukiwania możliwości zwiększenia refundacji ma finansową motywację, by preferować diagnozy podnoszące płatność.

Programy zgodności w szpitalach powinny ograniczać to ryzyko. Publicznie dostępne dowody nie pokazują jednak, jak często personel odrzuca sugestie kodowania generowane przez AI.

Dlatego konfliktu nie można sprowadzać do uczciwych szpitali kontra defensywnych ubezpieczycieli. Obie strony działają w systemach płatności, które premiują korzystną klasyfikację.

Szpitale otrzymują więcej za przypadki zaklasyfikowane jako złożone. Ubezpieczyciele zatrzymują więcej, gdy odrzucają, obniżają lub opóźniają takie klasyfikacje.

Każda strona może przedstawiać swoją automatyzację jako narzędzie zwiększające dokładność. Każda może opisywać system drugiej strony jako mechanizm optymalizacji.

Ta symetria nie oznacza, że szacunek 942 mln USD należy zignorować. Oznacza, że wymaga on niezależnych testów, zanim stanie się werdyktem dotyczącym postępowania szpitali.

Rzeczywisty konflikt to AI dostawców usług kontra AI ubezpieczycieli

Problem kosztów AI w ochronie zdrowia staje się rywalizacją między zautomatyzowanymi systemami o przeciwstawnych celach finansowych.

Szpitale wykorzystują oprogramowanie do wychwytywania diagnoz, wzmacniania dokumentacji i obrony refundacji. Ubezpieczyciele stosują algorytmy do przeglądu roszczeń, wykrywania anomalii, żądania dokumentacji i obniżania płatności.

Technologia nie tworzy leżącego u podstaw konfliktu. Szpitale i ubezpieczyciele od dziesięcioleci spierają się o kodowanie, zasadność medyczną i refundacje.

AI zmienia szybkość, skalę i ekonomię tego konfliktu. Jeden system może generować bardziej szczegółowe roszczenia, podczas gdy drugi może je kwestionować w milionach rekordów.

Ta dynamika wyjaśnia, dlaczego założyciel Abridge, Shiv Rao, ostrzegał przed „botami walczącymi z botami” podczas omawiania sporu. Abridge sprzedaje organizacjom ochrony zdrowia oprogramowanie do ambientowej dokumentacji klinicznej.

Rao argumentował również, że technologia mogłaby zmniejszyć tarcia, gdyby dostawcy usług i ubezpieczyciele uzgodnili dowody przed wystawieniem rozliczenia. Ten optymistyczny scenariusz wymaga wspólnych zasad i interoperacyjnych rekordów.

Obecny system oferuje przeciwne bodźce. Szpitale zyskują, gdy dokumentacja uzasadnia roszczenie o wyższej ciężkości. Ubezpieczyciele zyskują, gdy zautomatyzowana analiza znajduje podstawy do niższej wypłaty.

AHA oskarża komercyjnych ubezpieczycieli o automatyczne obniżanie kodowania, które zmniejsza ciężkość lub płatność przypisaną do zgłoszonego roszczenia. Szpitale muszą następnie odwoływać się, aby odzyskać pierwotną kwotę.

Ubezpieczyciele również są poddawani kontroli w związku z algorytmicznymi decyzjami dotyczącymi zakresu ochrony. Pacjenci i dostawcy usług kwestionowali systemy, które rzekomo rekomendują odmowy lub ograniczają opiekę po fazie ostrej.

UnitedHealthcare twierdzi, że jego narzędzia AI wspierają opiekę, a nie podejmują ostateczne decyzje dotyczące roszczeń. Publiczne kontrowersje pokazują jednak, jak mało zaufania istnieje wobec zautomatyzowanych analiz ubezpieczycieli.

Wrześniowy komunikat BCBSA zaostrza ten podział. Chalker odrzucił wizję równorzędnej wojny i opisał ubezpieczycieli jako ponoszących jednostronną stratę finansową.

Szpitale opisałyby ten sam przepływ pieniędzy jako właściwą refundację za udokumentowaną złożoność stanu pacjentów. Są to niezgodne interpretacje tych samych roszczeń.

Obciążenie administracyjne rośnie niezależnie od tego, która strona przeważy. Bardziej szczegółowe kodowanie zachęca do większej kontroli płatników, co prowadzi do większej liczby żądań dokumentacji i odwołań.

Każda nowa kontrola może wywołać kolejną zautomatyzowaną reakcję. Szpitale wdrażają systemy przewidujące odmowy, ubezpieczyciele wdrażają systemy wykrywające agresywne kodowanie, a dostawcy technologii optymalizują rozwiązania pod oba te zjawiska.

Pacjenci rzadko widzą tę machinę, ale ją finansują. Wyższe wydatki ubezpieczycieli mogą przechodzić na składki, koszty pracodawców, podatki i wydatki z własnej kieszeni.

Pacjenci mogą też ucierpieć, gdy agresywna weryfikacja opóźnia płatność lub dostęp do opieki. Tańsze roszczenie nie jest lepszym wynikiem, jeśli obniżka blokuje właściwe leczenie.

Dlatego kwoty 942 mln USD nie należy odczytywać jako całkowitego kosztu AI. Mierzy ona szacunek jednej grupy ubezpieczycieli dotyczący dodatkowych wydatków na leczenie szpitalne wynikających ze zmieniającej się intensywności kodowania.

Nie obejmuje kosztów systemów kontroli płatników, odwołań dostawców usług, umów na oprogramowanie, zespołów zgodności ani opóźnionych refundacji. Wyklucza także potencjalne oszczędności wynikające z ograniczenia pracy związanej z dokumentacją.

Łączny efekt ekonomiczny pozostaje nieznany. AI może ograniczać pracę administracyjną, jednocześnie zwiększając kwoty sporne w systemie refundacji.

Dla organizacji ochrony zdrowia zarządzanie musi wykraczać poza dokładność modeli. Liderzy muszą rejestrować, który system zasugerował kod, jakie dowody go wspierały i kto go zatwierdził.

Przeszukiwalna baza wiedzy może pomóc zespołom technicznym zachować polityki, oceny i decyzje audytowe. Systemy ochrony zdrowia potrzebują także kontroli zaprojektowanych specjalnie dla chronionych informacji klinicznych.

Bez możliwych do prześledzenia decyzji ani dostawcy usług, ani ubezpieczyciele nie mogą odróżnić błędów automatyzacji od celowej optymalizacji. To sprawia, że każdy spór jest wolniejszy i bardziej kosztowny.

Czego szacunek 942 mln USD nie dowodzi

Analiza wskazuje istotny związek, ale nie ustanawia, że AI spowodowała każdy dodatkowy koszt ani że szpitale rozliczały się oszukańczo.

BCBSA łączy trzy trendy: szersze wdrażanie AI, większą intensywność kodowania oraz ograniczone zmiany w wybranych miarach leczenia. Razem tworzą wiarygodne wyjaśnienie wzrostu rozliczeń wspieranych przez AI.

Jednak korelacja w okresie szybkiego wdrażania nie jest bezpośrednim dowodem związku przyczynowego. W tych samych latach szpitale zmieniały zatrudnienie, przepływy pracy, wytyczne dotyczące kodowania, strukturę pacjentów i miejsca świadczenia opieki.

Analiza korzysta również z danych dotyczących roszczeń. Rekordy te są projektowane na potrzeby płatności, a nie odtwarzania każdej decyzji klinicznej podjętej podczas hospitalizacji.

BCBSA może widzieć diagnozy, procedury i objęte ochroną usługi. Może nie widzieć każdego szczegółu, który wpłynął na obserwację, zarządzanie ryzykiem, leczenie farmakologiczne lub planowanie wypisu.

Porównanie z leczeniem pozostaje jednak wartościowe. Duży wzrost liczby ciężkich diagnoz powinien skłaniać do kontroli, gdy oczywiste powiązane interwencje pozostają na stałym poziomie lub spadają.

Mimo to żadna pojedyncza metoda leczenia nie potwierdza w pełni diagnozy. Same wskaźniki transfuzji nie mogą określić, czy każdy kod anemii był prawidłowy.

Kwota 942 mln USD jest szacunkiem względem punktu odniesienia, a nie rejestrem potwierdzonych nadpłat. Przedstawia, jakie mogłyby być wydatki przy wcześniejszych wzorcach kodowania.

Ten punkt odniesienia także opiera się na założeniu. Traktuje intensywność kodowania w 2023 roku jako właściwy punkt referencyjny, a nie okres obejmujący pominiętą lub niepełną dokumentację.

Jeśli wcześniejsze roszczenia pomijały prawidłowe schorzenia, późniejsze wzrosty mogą częściowo odzwierciedlać większą dokładność. Jeśli AI zachęcała do słabo uzasadnionych diagnoz, ten sam wzrost może odzwierciedlać nadmierne kodowanie.

Oba efekty mogą występować jednocześnie. Dane publiczne nie rozdzielają ich jeszcze.

Analiza koncentruje się również na wybranych przykładach, w tym poważnych procedurach jelitowych. Czytelnicy nie powinni zakładać, że ten sam wzorzec dotyczy w równym stopniu każdej usługi szpitalnej.

Szpitale różnią się populacjami pacjentów, praktykami kodowania, wdrożeniem oprogramowania i kontrolą ludzką. Średnie mogą ukrywać zarówno odpowiedzialne wdrożenia, jak i agresywne wartości odstające.

Wcześniejsza analiza BCBSA dotycząca opieki położniczej wykazała, że szpitale o najszybszym wzroście złożoności odpowiadały za dużą część obserwowanego wzrostu. Ta koncentracja sugeruje, że nadzór powinien celować w konkretne wzorce, zamiast traktować całe użycie AI jednakowo.

Niezależni badacze potrzebowaliby zanonimizowanych kart pacjentów powiązanych z roszczeniami i rekomendacjami modeli. Potrzebowaliby również spójnych kryteriów oceny, czy wtórna diagnoza wpłynęła na opiekę.

Szpitale i płatnicy powinni ujawniać wskaźniki odrzucania i korygowania rekomendacji generowanych przez AI. System, którego sugestie są często usuwane, stwarza inne ryzyko niż system rzadko kwestionowany.

Powinni także raportować, czy wdrożenie zmienia liczbę odwołań, opóźnienia płatności, obciążenie pracą klinicystów i całkowite wydatki administracyjne. Oszczędności w jednym dziale mogą stać się kosztami w innym.

Wdrażanie przez lekarzy czyni tę pracę coraz pilniejszą. Badanie lekarzy z 2026 roku wykazało szerokie profesjonalne wykorzystanie w dokumentacji, badaniach i innych przepływach pracy.

W miarę jak generowane notatki stają się normą, dokumentacja będzie bardziej ustrukturyzowana i kompletna. Systemy płatności oparte na szczegółach diagnostycznych zareagują na te dodatkowe informacje.

Otwarte pozostaje pytanie, czy zasady refundacji potrafią odróżnić klinicznie istotną złożoność od odkrytych przez maszynę możliwości kodowania. Obecne dowody sugerują, że to rozróżnienie nadal jest trudne.

Trzy sygnały pokażą, czy rozliczenia szpitalne oparte na AI nadal będą podnosić koszty

Kolejny etap zależy od niezależnej walidacji kart pacjentów, działań przeciwdziałających ubezpieczycieli oraz zasad płatności określających wartość dodatkowej dokumentacji.

Pierwszym sygnałem jest audyt na poziomie pacjenta porównujący roszczenia, pełne rekordy kliniczne i rekomendacje AI. Pozwoliłby on sprawdzić, czy dodatkowe diagnozy były klinicznie uzasadnione i istotne dla opieki.

Jeśli niezależni recenzenci potwierdzą powszechne nieuzasadnione kodowanie, argument BCBSA stanie się znacznie silniejszy. Szpitale staną wobec presji, by zaostrzyć walidację i ujawniać wyniki dostawców technologii.

Jeśli większość diagnoz okaże się prawidłowa, spór przesunie się w stronę konstrukcji systemu refundacji. Ubezpieczyciele będą wówczas mierzyć się z pełniejszą dokumentacją, a nie z systematycznym zawyżaniem rozliczeń.

Drugim sygnałem jest reakcja ubezpieczycieli. BCBSA twierdzi, że wykorzystuje dane do identyfikacji wzorców zawyżania kodowania i ustalania oczekiwań wobec szpitali wdrażających narzędzia AI.

Więcej zautomatyzowanych audytów, żądań dokumentacji lub obniżek płatności pokaże, że ubezpieczyciele eskalują rywalizację. Rosnąca liczba odwołań wskaże, że automatyzacja zwiększa tarcia administracyjne.

Bardziej konstruktywna odpowiedź obejmowałaby wspólne standardy dowodowe. Dostawcy usług i płatnicy mogliby uzgodnić, które sygnały kliniczne uzasadniają konkretne wtórne diagnozy, zanim roszczenie trafi do cyklu odwoławczego.

Trzecim sygnałem jest zmiana polityki DRG i kodowania. Obecne formuły refundacji mogą sprawić, że jedna dodatkowa diagnoza będzie miała decydujące znaczenie finansowe.

Regulatorzy i organy normalizacyjne mogliby wymagać silniejszej dokumentacji dla schorzeń przenoszących przypadki do grup o wyższej ciężkości. Mogliby również analizować modele płatności mniej wrażliwe na dodatkowe kody.

Zmiany polityki, które wiążą wyższą refundację z mierzalnym wykorzystaniem zasobów, osłabiłyby zachętę do maksymalizowania wychwytywania diagnoz. Zasady skupione wyłącznie na ograniczaniu kodów grożą niedofinansowaniem uzasadnionej, złożonej opieki.

Kierunek tych sygnałów będzie ważniejszy niż kolejne ogłoszenie dostawcy technologii. Kluczową kwestią nie jest już to, czy szpitale i ubezpieczyciele będą korzystać z AI.

Już to robią. Pytanie brzmi, czy ich systemy poprawiają wspólny zapis opieki, czy optymalizują się wzajemnie względem swojej logiki płatności.

BCBSA przedstawiła istotne ostrzeżenie, a nie ostateczny werdykt. Jej analiza rozliczeń szpitalnych opartych na AI sugeruje, że automatyzacja może zwiększać wydatki, nawet gdy widoczne leczenie pozostaje stabilne.

Szpitale przedstawiły wiarygodne alternatywne wyjaśnienie obejmujące cięższy stan hospitalizowanych pacjentów, lepszą dokumentację i zmieniające się miejsca świadczenia opieki. To wyjaśnienie również wymaga niezależnej weryfikacji.

Dla pacjentów i pracodawców wyniku nie można mierzyć tym, która strona wygrywa więcej roszczeń. Użyteczny system musi obniżać całkowity koszt administracyjny, jednocześnie zapewniając dokładną zapłatę za niezbędną opiekę.

Natychmiastowym sprawdzianem jest przejrzystość. Organizacje ochrony zdrowia powinny wymagać możliwych do prześledzenia rekomendacji AI, udokumentowanej kontroli ludzkiej oraz mierzalnego wpływu na roszczenia i wyniki.

Bez takich mechanizmów kontrolnych boty walczące z botami staną się domyślnym procesem biznesowym. Szacunek na poziomie 942 mln dolarów wygląda wówczas mniej jak odosobniony spór rozliczeniowy, a bardziej jak wczesna faktura.