Roszczenie Blue Cross dotyczące szpitalnego kodowania z użyciem AI stawia 942 mln dolarów pod znakiem zapytania
Roszczenia Blue Cross dotyczące szpitalnego kodowania z użyciem AI stawiają obecnie dodatkowe wydatki w wysokości 942 mln dolarów w centrum narastającego sporu między szpitalami a ubezpieczycielami. Blue Cross Blue Shield Association twierdzi, że bogatsza dokumentacja podniosła płatności w latach 2024 i 2025, nawet gdy roszczenia nie wykazywały odpowiadającej temu zmiany w opiece.
Spór nie dotyczy wyłącznie tego, czy kod rozliczeniowy jest prawidłowy. Chodzi o to, kto kontroluje cyfrowy opis stanu pacjenta, ile ten opis jest wart oraz czy dane rozliczeniowe potrafią odróżnić lepszą dokumentację od oportunistycznego rozliczania.
Szpitale twierdzą, że zautomatyzowane narzędzia do kodowania pomagają klinicystom wychwytywać schorzenia, które wcześniej były pomijane. Ubezpieczyciele argumentują, że te same narzędzia mogą przekształcać pojedyncze wyniki badań i rozpoznania wtórne w roszczenia o wyższej wartości. Obie strony wykorzystują również AI do kwestionowania decyzji drugiej strony, tworząc administracyjny wyścig zbrojeń wokół każdego kontaktu medycznego.
Roszczenia Blue Cross dotyczące szpitalnego kodowania z użyciem AI koncentrują się na 942 mln dolarów
Blue Cross twierdzi, że wzrost kosztów wynikał ze zmieniających się wzorców dokumentacji, a nie z widocznych zmian w leczeniu odnotowanym w roszczeniach.
Stowarzyszenie opublikowało swoją najnowszą analizę roszczeń 24 września 2026 r. Zbadano zanonimizowane roszczenia firm Blue Cross Blue Shield i porównano szpitalne kodowanie w latach 2024 i 2025 z poziomem bazowym z 2023 r.
Analiza oszacowała, że większa intensywność kodowania zwiększyła wydatki uczestniczących firm Blue o 942 mln dolarów. Intensywność kodowania opisuje, jak często świadczeniodawcy klasyfikują pacjentów lub usługi do bardziej złożonych, lepiej opłacanych kategorii.
W ramach tej sumy stowarzyszenie przypisało 653 mln dolarów częstszemu dokumentowaniu schorzeń wtórnych. Są to rozpoznania rejestrowane obok głównego schorzenia odpowiedzialnego za przyjęcie pacjenta do szpitala.
Blue Cross podało, że udział przypadków stacjonarnych sklasyfikowanych jako medycznie złożone wzrósł z 37 procent na początku 2023 r. do 40 procent pod koniec 2025 r. Około 70 procent wzrostu dotyczyło ponad 55 000 dodatkowych przypadków, w których rozpoznania wtórne zmieniły kategorię płatności.
Te kategorie płatności to grupy jednorodnych przypadków pod względem rozpoznania, powszechnie określane jako DRG. DRG przypisuje ustaloną płatność za pobyt szpitalny na podstawie rozpoznań, procedur, powikłań i oczekiwanego zużycia zasobów.
Dodanie kwalifikującego się powikłania lub choroby współistniejącej może przenieść pobyt do DRG o wyższym stopniu ciężkości. Szpital może wtedy otrzymać wyższy zwrot kosztów, nawet gdy główna procedura pozostaje bez zmian.
Nie oznacza to automatycznie, że rozpoznanie wtórne jest fałszywe. Pacjent może mieć rzeczywiste zaburzenie metaboliczne, chorobę krwi lub inne schorzenie, którego wcześniejsza dokumentacja nie uchwyciła.
Argument Blue Cross jest węższy. Zgodnie z jego analizą wzrostowi złożonego kodowania nie towarzyszył obserwowalny wzrost leczenia w roszczeniach.
Według niezależnego relacjonowania, szpitale mogą korzystać z oprogramowania skanującego istniejącą dokumentację w poszukiwaniu pominiętych rozpoznań. Asystenci ambientowi mogą również słuchać podczas wizyty i tworzyć robocze notatki kliniczne.
Łącznie narzędzia te tworzą więcej przeszukiwalnego tekstu klinicznego. Oprogramowanie do kodowania może następnie identyfikować wartości laboratoryjne, objawy i stwierdzenia lekarzy, które uzasadniają dodatkowe kody rozpoznań.
Efekt może być istotny finansowo bez zmiany operacji, leku czy procedury wyszczególnionej w roszczeniu. Do dokumentacji trafia więcej danych, udokumentowany stan pacjenta wydaje się bardziej złożony, a roszczenie przechodzi do lepiej opłacanej grupy.
Blue Cross wskazało operacje jelita jako jeden z przykładów. Między pierwszym kwartałem 2023 r. a czwartym kwartałem 2025 r. kodowanie częściowych niedrożności jelit miało wzrosnąć o 55 procent. Kodowanie kwasicy wzrosło o 33 procent.
Stowarzyszenie nie twierdziło, że każde dodane rozpoznanie było nieprawidłowe. Kwestionowało natomiast, czy udokumentowane zmiany odzwierciedlały porównywalny wzrost istotnej złożoności klinicznej.
To rozróżnienie ma znaczenie. Kwota 942 mln dolarów jest szacunkiem sporządzonym przez organizację ubezpieczycieli, a nie ustaleniem, że szpitale dopuściły się oszustwa lub zapewniały niepotrzebne leczenie.
Analiza nie może też bezpośrednio ustalić, co rekomendowało oprogramowanie każdego szpitala. Roszczenia rejestrują kody i usługi zgłaszane do zapłaty, ale nie ujawniają wyników poszczególnych modeli ani rozumowania klinicysty.
Dowody wskazują zatem na mierzalne przesunięcie w rozliczeniach. Nie dowodzą niezależnie, że AI spowodowała każdą zmianę, że rozpoznania zostały wymyślone ani że szpitale otrzymały nienależne płatności.
Mimo to czasowa zbieżność utrudnia ignorowanie AI. Szpitale szybko rozszerzały zautomatyzowane rozliczanie i dokumentację, gdy rosło złożone kodowanie. Blue Cross chce obecnie, by tę korelację traktowano jako poważny problem dostępności cenowej.
Dlaczego AI w rozliczeniach szpitalnych znajduje więcej schorzeń kwalifikujących się do zapłaty
AI zmienia ekonomikę dokumentacji, ponieważ tanio umożliwia przeszukiwanie każdego dostępnego szczegółu pod kątem rozpoznania podlegającego rozliczeniu.
Tradycyjne kodowanie medyczne zależy od klinicystów, specjalistów ds. dokumentacji i zawodowych koderów przeglądających dokumentację pacjenta. Ograniczenia czasowe mogą sprawiać, że uzasadnione schorzenia pozostają nieudokumentowane lub niewystarczająco potwierdzone.
Systemy wspomagane przez AI mogą analizować znacznie więcej materiału. Mogą przeszukiwać notatki lekarzy, wyniki laboratoryjne, historię leków, opisy badań obrazowych i wcześniejsze wizyty w poszukiwaniu dowodów powiązanych z uznanymi kodami rozpoznań.
Asystent ambientowy dodaje kolejną warstwę. Przekształca rozmowę klinicysty z pacjentem w roboczą notatkę, potencjalnie zachowując szczegóły, które mogłyby nie trafić do krótszej dokumentacji pisanej ręcznie.
System dokumentacyjny może następnie poprosić klinicystę o wyjaśnienie, czy obserwacja stanowi rozpoznanie. Narzędzie do kodowania może rekomendować kody poparte ukończoną notatką.
Szpitale opisują to jako dokładność. Stan zdrowia pacjenta nie staje się prostszy tylko dlatego, że zajęty klinicysta pominął schorzenie w pierwotnej dokumentacji.
Ubezpieczyciele dostrzegają inną możliwość. Oprogramowanie może wskazywać każde prawdopodobne powikłanie, nawet gdy dane schorzenie nie wpłynęło istotnie na opiekę zapewnioną podczas tego pobytu.
System płatności nadaje tej różnicy zdań wymiar pieniężny. Wiele płatności szpitalnych odzwierciedla udokumentowaną złożoność, a nie szczegółową fakturę za każde wykonane działanie.
Załóżmy, że dwóch pacjentów przechodzi tę samą główną procedurę. Jedno roszczenie wymienia tylko stan podstawowy. Drugie obejmuje kwalifikujące się powikłanie wykryte na podstawie danych laboratoryjnych i wyjaśnione w dokumentacji.
Drugie roszczenie może otrzymać wyższą płatność, ponieważ zakodowany pacjent wydaje się wymagać większych zasobów. Mimo to roszczenia mogą wykazywać podobne procedury i leczenie.
To mechanizm stojący za zarzutem Blue Cross dotyczącym szpitalnego kodowania z użyciem AI. AI nie musi fałszować usługi ani zmieniać zasady płatności. Wystarczy, że ujawni dokumentację przenoszącą przypadek przez istniejącą granicę zwrotu kosztów.
Technologia pojawiła się w systemie już wypełnionym takimi granicami. Szpitale miały finansowe zachęty do dokumentowania złożoności na długo przed współczesnym uczeniem maszynowym.
Badania starszych wzorców rozliczeniowych potwierdzają tę historię. Badanie obejmujące pięć stanów wykazało, że klasyfikacje szpitalne o najwyższej intensywności wzrosły o 41 procent między 2011 a 2019 r., podczas gdy badacze szacowali, że oczekiwany był wzrost o 13 procent.
Badanie powiązało zmiany w kodowaniu z dodatkowymi płatnościami szpitalnymi w 2019 r. o wartości 14,6 mld dolarów w porównaniu z praktykami z 2011 r. Badacze zastrzegli, że konieczne są dalsze prace, aby oddzielić prawidłową dokumentację od niewłaściwego zawyżania kodowania.
AI przyspiesza zatem dawną zachętę, zamiast tworzyć całkowicie nową. Obniża koszt znajdowania dowodów wspierających bardziej szczegółowe lub cięższe kody.
Dane dotyczące wdrożeń pokazują, dlaczego sprawa stała się pilna. Federalne badanie szpitali wykazało, że 71 procent odpowiadających szpitali korzystało w 2024 r. z predykcyjnej AI zintegrowanej z elektroniczną dokumentacją medyczną.
W 2023 r. odsetek ten wynosił 66 procent. Wśród szpitali już korzystających z predykcyjnej AI automatyzacja rozliczeń należała do najszybciej rozwijających się zastosowań.
Wykorzystanie predykcyjnej AI do upraszczania lub automatyzacji rozliczeń wzrosło z 36 procent w 2023 r. do 61 procent w 2024 r. Ten wzrost o 25 punktów procentowych był większy niż wzrost zgłoszony w przypadku rekomendacji leczenia.
Większe szpitale i placówki powiązane z systemami szpitalnymi wdrażały te technologie częściej niż mniejsze niezależne placówki. W 2024 r. 86 procent członków systemów wieloszpitalnych zgłosiło korzystanie z predykcyjnej AI, w porównaniu z 37 procentami niezależnych szpitali.
Ta różnica może skoncentrować zarówno oszczędności, jak i skutki finansowe w organizacjach zdolnych wdrożyć AI w wielu lokalizacjach. Przepływ pracy związany z kodowaniem wdrożony na poziomie systemu może wpływać na tysiące roszczeń.
Federalne badanie obejmuje jednak predykcyjną AI w szerokim ujęciu. Nie dowodzi, że konkretny szpital użył narzędzia AI do kodowania w przypadku konkretnego spornego roszczenia Blue Cross.
Badanie i analiza roszczeń odpowiadają na różne pytania. Jedno dokumentuje szybkie wdrażanie, drugie mierzy zmianę w kodowaniu i wydatkach.
Połączenie ich daje wiarygodne wyjaśnienie, ale nie pełny audyt przyczynowy. Ustalenie związku przyczynowego wymagałoby informacji o datach wdrożenia oprogramowania, rekomendacjach modeli, dokumentacji medycznej, akceptacjach klinicystów i faktycznie wykorzystanych zasobach.
Brakujące dowody są kluczowe dla sporu. Ubezpieczyciele dysponują ogromnymi zbiorami danych rozliczeniowych, natomiast szpitale posiadają dokumentację kliniczną, która może potwierdzić każde rozpoznanie.
Żadna ze stron nie ma samodzielnie pełnego obrazu. AI czyni tę asymetrię informacji bardziej istotną, ponieważ może przetwarzać dostępną stronę dokumentacji na ogromną skalę.
Szpitale i ubezpieczyciele automatyzują przeciwne strony roszczenia
Główny konflikt nie polega na starciu AI z ludzką oceną. Chodzi o optymalizację przychodów szpitali kontra kontrolę płatności przez ubezpieczycieli.
Szpitale przystąpiły do tej rywalizacji po latach mierzenia się z odmowami, prośbami o dokumentację, opóźnionymi płatnościami i wymogami wcześniejszej autoryzacji. Dostawcy ich oprogramowania obiecują ograniczenie pracy ręcznej i odzyskanie przychodów potwierdzonych dokumentacją kliniczną.
Ubezpieczyciele mają własne systemy do rozpatrywania roszczeń, zapewniania integralności płatności, wykrywania oszustw, przeglądu wykorzystania świadczeń i audytów po płatności. Narzędzia te wyszukują niepoparte kody, anomalie rozliczeniowe oraz usługi niespełniające zasad refundacji.
Model szpitalny może rekomendować rozpoznanie wtórne. Model ubezpieczyciela może oznaczyć to rozpoznanie do kontroli lub usunąć jego wpływ na płatność. Oprogramowanie szpitalne może następnie przygotować odwołanie na podstawie tej samej dokumentacji medycznej.
Rezultatem jest pętla AI. Jeden system rozszerza roszczenie, drugi je kwestionuje, a trzeci może przygotowywać odpowiedź.
Badanie z 2025 r. obejmujące 93 dużych ubezpieczycieli w 16 stanach wykazało, że 84 procent wykorzystywało AI w co najmniej jednym celu operacyjnym. Zgłaszane zastosowania obejmowały rozpatrywanie roszczeń, wcześniejszą autoryzację i zarządzanie wykorzystaniem świadczeń.
Szczegółowa analiza tego wyścigu zbrojeń AI wskazała narzędzia sprzedawane zarówno płatnikom, jak i świadczeniodawcom. Produkty ubezpieczycieli analizują wnioski i roszczenia, podczas gdy produkty dla świadczeniodawców gromadzą dokumentację i przygotowują autoryzacje lub odwołania.
Ta symetria komplikuje krytykę ubezpieczycieli. Plany zdrowotne nie mogą łatwo twierdzić, że automatyzacja jest z natury niewłaściwa, skoro same również używają algorytmów do zarządzania decyzjami płatniczymi.
Szpitale mogą podnosić ten sam argument bez rozstrzygania ustaleń Blue Cross. Kontrowersyjne wykorzystanie automatyzacji przez ubezpieczyciela nie dowodzi, że każda dodatkowa diagnoza szpitalna jest uzasadniona.
Każda ze stron przedstawia własną AI jako obronę przed nieefektywnością. Każda ma też tendencję do opisywania AI drugiej strony jako narzędzia do uzyskiwania korzyści finansowych.
Pacjenci znajdują się między tymi stanowiskami. Kwestionowany kod może wpływać na współpłatność, składki, finanse szpitala oraz nakład pracy administracyjnej potrzebny do rozliczenia roszczenia.
Część ryzyka ponoszą także pracodawcy, ponieważ wielu z nich finansuje świadczenia zdrowotne dla pracowników. Wyższe uznane roszczenia mogą zwiększać koszty planów, podczas gdy agresywne obniżki płatności mogą osłabiać sieci świadczeniodawców.
Bezpośrednia presja spada na ubezpieczycieli. Jeśli roszczenia regularnie zawierają więcej diagnoz wtórnych, historyczne założenia cenowe mogą zaniżać przyszłe wydatki medyczne.
Ubezpieczyciele mogą reagować zwiększoną kontrolą, zmianą umów, żądaniem większej dokumentacji lub rozszerzeniem audytów płatności. Działania te mogą tworzyć więcej pracy administracyjnej dla szpitali.
Szpitale stoją przed inną presją. Muszą dokumentować wystarczająco szczegółowo, by otrzymać płatność za złożoną opiekę, a jednocześnie unikać wrażenia, że oprogramowanie zawyża dokumentację kliniczną.
Kontrola człowieka ma pełnić funkcję zabezpieczenia. Szpitale pozostają odpowiedzialne za kody zgłaszane pod ich nazwą, niezależnie od tego, co rekomenduje narzędzie AI.
Jednak ludzka akceptacja nie jest pełną odpowiedzią. Recenzenci mogą zbyt łatwo przyjmować sugestie, zwłaszcza gdy oprogramowanie tworzy dopracowane wyjaśnienia powiązane z rzeczywistymi danymi z dokumentacji.
Oprogramowanie może też wskazywać prawdziwe diagnozy, które mają niewielkie znaczenie dla zasobów wykorzystanych podczas hospitalizacji. Powoduje to konflikt między kompletnością kliniczną a znaczeniem dla płatności.
Szpital może więc twierdzić, że jego roszczenie jest prawidłowe, podczas gdy ubezpieczyciel argumentuje, że wyższe wynagrodzenie jest ekonomicznie nieuzasadnione. Oba stwierdzenia mogą być wiarygodne w ramach tej samej architektury płatniczej.
Blue Cross przedstawia brak dodatkowego leczenia jako dowód, że wyższa złożoność nie przyniosła wartości. Szpitale mogą odpowiedzieć, że roszczenia nie odzwierciedlają każdej oceny klinicznej, wymogu monitorowania ani ryzyka zarządzanego podczas pobytu.
Tego sporu nie da się rozstrzygnąć wyłącznie przez liczenie procedur. Niektóre powikłania wymagają ściślejszego monitorowania, nie prowadząc do odrębnie rozliczanej interwencji.
Z drugiej strony obecność nieprawidłowości laboratoryjnej nie zawsze oznacza, że pacjent potrzebował znacząco większej opieki. Zautomatyzowane systemy mogą znacznie ułatwiać przekształcanie granicznych wyników w formalne diagnozy.
Technologia ujawniła nierozstrzygnięte pytanie polityczne: czy płatność powinna wzrastać, gdy dokumentacja staje się pełniejsza, nawet jeśli obserwowalne leczenie pozostaje podobne?
Obecne zasady DRG często odpowiadają twierdząco, gdy dodatkowy stan spełnia wymogi kodowania. Ubezpieczyciele coraz częściej chcą drugiego testu opartego na wpływie klinicznym lub wykorzystaniu zasobów.
Przesunęłoby to spór od ważności kodu w stronę dowodów jego znaczenia. Wymagałoby to również bardziej przejrzystych zasad, niż obecnie zapewnia którakolwiek ze stron.
Czego nie dowodzi szacunek na 942 mln dolarów
Analiza ubezpieczyciela wskazuje na poważny wzorzec, ale jej publicznie dostępne dowody nie uzasadniają traktowania każdej dodanej diagnozy jako upcodingu wygenerowanego przez AI.
Pierwsze ograniczenie dotyczy przypisania przyczyny. Blue Cross zaobserwował rosnącą intensywność kodowania w okresie rozszerzającego się wdrażania AI przez szpitale.
To powiązanie jest istotne, lecz kilka czynników może zmieniać się jednocześnie. Pacjenci mogą być bardziej chorzy, zasady dokumentacji mogą się zmieniać, a mniej złożona opieka może przenosić się poza szpitale.
Gdy rutynowe przypadki przenoszą się do opieki ambulatoryjnej, pacjenci pozostający w szpitalu mogą reprezentować populację bardziej złożoną medycznie. Taka zmiana może podnosić średnią ciężkość kodowania bez jakiejkolwiek manipulacji.
American Hospital Association przedstawia ten argument w swojej odpowiedzi szpitali. Organizacja twierdzi, że starzenie się społeczeństwa, choroby przewlekłe, zmieniające się miejsca świadczenia opieki oraz zmiany wytycznych kodowania również wpływają na dokumentowaną ostrość stanu pacjenta.
Stowarzyszenie utrzymuje, że AI może zwiększać precyzję dokumentacji, podczas gdy klinicyści nadal odpowiadają za walidację kodów. Wskazuje też na własne zachęty finansowe ubezpieczycieli i kontrowersyjne praktyki kodowania.
Ta odpowiedź nie unieważnia danych Blue Cross. Pokazuje, dlaczego analiza oparta wyłącznie na roszczeniach nie może jednoznacznie wyizolować oprogramowania jako przyczyny.
Drugie ograniczenie dotyczy dokumentacji klinicznej. Publiczne opisy analizy podkreślają roszczenia, kategorie kodowania i wzorce leczenia.
Roszczenia są tworzone na potrzeby administracji płatnościami. Nie są pełnymi kartami pacjentów i mogą pomijać rozumowanie kliniczne wyjaśniające, dlaczego stan wtórny był istotny.
Rzetelny audyt porównałby kod z pełną dokumentacją. Sprawdzałby, czy spełniono kryteria diagnostyczne, czy klinicyści zatwierdzili diagnozę oraz czy stan wpłynął na opiekę.
Trzecie ograniczenie dotyczy punktu odniesienia. Szacunek 942 mln dolarów porównuje wzorce z lat 2024 i 2025 z rokiem 2023.
Takie podejście określa skalę zmiany, ale rok 2023 nie stanowi automatycznie właściwego poziomu dokumentacji. Wcześniejsze zapisy mogły pomijać prawidłowe diagnozy, ponieważ ręczne procesy ich nie wychwytywały.
Jeśli AI koryguje systematyczne niedokumentowanie, część wyższych płatności odzwierciedla opóźnioną dokładność, a nie nowe marnotrawstwo. Koszt ekonomiczny rośnie, ale roszczenie staje się pełniejsze.
Czwarte ograniczenie dotyczy znaczenia niezmienionego leczenia. Identyczne procedury nie gwarantują identycznego nakładu pracy klinicznej.
Jeden pacjent może wymagać dodatkowego monitorowania, konsultacji specjalisty lub uwagi pielęgniarskiej bez generowania oczywistej nowej pozycji roszczenia. Inny pacjent może otrzymać tę samą opiekę mimo formalnie ważnej dodatkowej diagnozy.
Mocny wniosek wymaga dowodów na poziomie pojedynczych pacjentów. Zagregowane wydatki i trendy kodowania nie potrafią jasno rozróżnić tych sytuacji.
Piąte ograniczenie to selekcja. Wcześniejsze badania Blue Cross wykazały, że stosunkowo niewielka grupa szpitali odpowiadała za dużą część wzrostu złożonego kodowania.
Ta koncentracja może uzasadniać ukierunkowane dochodzenie. Ostrzega również przed przypisywaniem ogólnosystemowej etykiety każdemu szpitalowi korzystającemu z dokumentacji AI.
Najbardziej miarodajne porównanie badałoby placówki przed i po wdrożeniu konkretnych narzędzi. Badacze mogliby zestawić te szpitale z podobnymi placówkami, które nie wdrożyły tej samej technologii.
Musieliby również uwzględnić strukturę pacjentów, lokalne trendy chorobowe, zmiany zasad kodowania oraz przepływ między opieką stacjonarną i ambulatoryjną.
Niezależny przegląd powinien oceniać wyniki fałszywie dodatnie, jak również pominięte diagnozy. System, który wychwytuje więcej rzeczywistych stanów, zwiększy koszty, jednocześnie potencjalnie poprawiając jakość dokumentacji.
Równie istotna jest przejrzystość dostawców. Szpitale i ubezpieczyciele powinni wiedzieć, jakie dowody uruchomiły rekomendację, która wersja modelu ją wygenerowała oraz czy człowiek zmienił wynik.
Ślady audytowe mogłyby oddzielać sugestię AI od końcowej dokumentacji zatwierdzonej przez klinicystę. Mogłyby również ujawnić, czy określone podpowiedzi konsekwentnie przesuwają roszczenia do grup o wyższej płatności.
Wydajność modelu należy mierzyć pod kątem płatności, a nie wyłącznie dokładności kodowania. Narzędzie może być zgodne z wytycznymi kodowania, a jednocześnie systematycznie zwiększać zwroty kosztów za stany o ograniczonym wpływie klinicznym.
Algorytmy ubezpieczycieli zasługują na taką samą kontrolę. System płatności może prawidłowo wykrywać statystyczne wartości odstające, a jednocześnie niesłusznie karać szpitale leczące wyjątkowo złożone populacje.
Niepewność nie czyni 942 mln dolarów nieistotnymi. Określa, co ta liczba faktycznie reprezentuje.
Jest to szacunek dodatkowych wydatków Blue Cross związanych z większą intensywnością kodowania. Nie jest to zweryfikowana łączna wartość oszustw, niepotrzebnego leczenia ani sfabrykowanych diagnoz.
Tak ostrożne ujęcie ma znaczenie, ponieważ przedwczesne wnioski mogą utrwalić się w zautomatyzowanej polityce. Ubezpieczyciel mógłby stosować szerokie obniżki, zanim niezależne dowody wskażą, które roszczenia są nieuzasadnione.
Szpitale mogłyby podobnie wykorzystać niejednoznaczność, by unikać badania systemów kodowania, które konsekwentnie maksymalizują zwrot kosztów. Obie reakcje chroniłyby interesy instytucjonalne, a nie pacjentów.
Najmocniejsza interpretacja znajduje się pomiędzy tymi skrajnościami. AI uczyniła dokumentację kliniczną bardziej wyczerpującą, a systemy płatności przypisują znaczną wartość tym nowym szczegółom.
Część tej wartości odzwierciedla rzeczywistą złożoność. Część prawdopodobnie wynika z wcześniej niezgłaszanych diagnoz, a część może dotyczyć kodów, których efekt finansowy przewyższa ich znaczenie kliniczne.
Otwarte pozostaje pytanie, jaka część przypada na każdą z tych kategorii. Publiczne dowody nie zapewniają jeszcze takiego podziału.
Trzy sygnały pokażą, czy kodowanie AI podnosi koszty bez lepszej opieki
Kolejny etap powinien zastąpić konkurujące zagregowane twierdzenia możliwymi do audytu dowodami łączącymi każdą diagnozę, rekomendację AI i zmianę płatności.
Pierwszym sygnałem będzie to, czy ubezpieczyciele opublikują badania walidacyjne na poziomie pacjentów z odpowiednią ochroną prywatności. Badania te powinny porównywać roszczenia z dokumentacją medyczną i wskazywać, czy dodane stany wpłynęły na leczenie, monitorowanie lub wykorzystanie zasobów.
Same trendy dotyczące roszczeń będą nadal polaryzować debatę. Próby oceniane na podstawie dokumentacji mogą oszacować, jak często kody wspierane przez AI są ważne, nieważne lub klinicznie marginalne.
Jeśli niezależni recenzenci potwierdzą powszechne wzrosty płatności bez wspierających dowodów klinicznych, sprawa Blue Cross dotycząca szpitalnego kodowania AI stanie się znacznie mocniejsza. Jeśli większość diagnoz spełnia jasne kryteria i wpływa na opiekę, stanowisko szpitali zyska poparcie.
Drugim sygnałem będzie sposób zmiany umów i polityk płatniczych. Ubezpieczyciele mogą wprowadzić ukierunkowane audyty, żądać silniejszych dowodów dla diagnoz wtórnych lub zmienić zwroty kosztów za stany identyfikowane przede wszystkim na podstawie pojedynczych wartości laboratoryjnych.
Szpitale prawdopodobnie zakwestionują zasady, które automatycznie dyskontują dokumentację wspieraną przez AI. Kod nie powinien stawać się nieważny tylko dlatego, że oprogramowanie pomogło znaleźć potwierdzające go dowody.
Najbardziej wiarygodne polityki będą koncentrować się na jakości dokumentacji i efekcie klinicznym. Powszechne kary dla placówek korzystających z określonych narzędzi myliłyby metodę z dokładnością wyniku.
Warto obserwować, czy płatnicy ujawniają, które stany uruchamiają kontrolę, oraz czy świadczeniodawcy otrzymują zrozumiałe wyjaśnienia. Nieprzejrzyste obniżki odtwarzałyby ten sam problem odpowiedzialności, który ubezpieczyciele wskazują w automatyzacji szpitalnej.
Wzrost liczby odmów, odwołań i opóźnień płatności pokazałby, że wyścig zbrojeń AI się nasila. Spadek liczby kwestionowanych roszczeń sugerowałby, że zaczynają obowiązywać jaśniejsze standardy.
Trzecim sygnałem będzie to, czy regulatorzy ustanowią wspólne wymogi audytowe dla algorytmów płatników i świadczeniodawców. Obie strony powinny zachowywać wersje modeli, rekomendacje, zatwierdzenia człowieka oraz powody zmiany wyniku.
Regulatorzy nie muszą uznawać, że kodowanie wspierane przez AI jest z natury podejrzane. Potrzebują dowodów, że zautomatyzowane rekomendacje pozostają możliwe do prześledzenia i otwarte na znaczącą kontrolę.
Wspólne standardy pomogłyby również porównywać wydajność dostawców. Szpitale mogłyby mierzyć, jak często produkt sugeruje niepoparte diagnozy, podczas gdy ubezpieczyciele mogliby mierzyć niewłaściwe zaniżanie kodowania przez własne systemy.
Raportowanie publiczne powinno rozróżniać kilka wyników. Obejmują one dokładniejszą dokumentację, wyższe zwroty kosztów, dodatkową pracę kliniczną, uchylone odmowy oraz potwierdzone błędy kodowania.
Łączenie tych wyników w jeden wskaźnik efektywności ukrywałoby kompromis. Narzędzie może ograniczać pracę administracyjną, jednocześnie zwiększając wydatki lub liczbę sporów.
Szpitale powinny również monitorować, czy rekomendacje AI koncentrują się wokół kodów powodujących duże zmiany płatności. Model dostrojony pod kątem kompletności nie powinien działać jak mechanizm maksymalizacji przychodów.
Ubezpieczyciele powinni analizować, czy ich kontrole dotyczą rzeczywistych anomalii, czy jedynie podważają udokumentowaną złożoność przypadków. Duża liczba odmów nie jest dowodem wysokiej dokładności płatności.
Pacjenci i pracodawcy potrzebują jaśniejszego wyjaśnienia, dokąd przesuwają się koszty. Wyższe wydatki ubezpieczycieli mogą przełożyć się na składki, współudział w kosztach, budżety pracodawców lub negocjacje kontraktowe.
Niższe płatności dla szpitali mogą także wpływać na zatrudnienie, zakres usług i dostęp do opieki. Żadna ze stron nie może twierdzić, że preferowany przez nią wynik finansowy automatycznie przynosi korzyści pacjentom.
Kluczowy wniosek jest taki, że AI przekształciła dokumentację medyczną w aktywne narzędzie ekonomiczne. Potrafi szybciej niż zespoły ludzi wydobywać więcej informacji z dokumentacji, a następnie wiązać te informacje z konsekwencjami finansowymi.
Szacunek Blue Cross nadaje temu konfliktowi wyrazistą kwotę, lecz trwałą kwestią pozostaje sposób zarządzania. Kto weryfikuje dodatkową diagnozę, kto mierzy jej znaczenie kliniczne i kto może odwołać się od decyzji wspieranej przez maszynę?
Czytelnicy powinni zwracać uwagę na dowody odpowiadające na te pytania, a nie na kolejną rundę oskarżeń opartych wyłącznie na zagregowanych roszczeniach. Decydującym testem będzie to, czy szpitale i ubezpieczyciele potrafią powiązać wyższe płatności z udokumentowanymi potrzebami pacjentów, nie tworząc przy tym kolejnej nieprzejrzystej warstwy zautomatyzowanej kontroli.
Dopóki takie dowody się nie pojawią, kwotę 942 mln USD należy traktować jako wiarygodny sygnał ostrzegawczy, a nie ostateczny werdykt. Warto śledzić nowe badania nad walidacją dokumentacji medycznej, zmiany w umowach oraz federalne zasady audytu. Te wydarzenia pokażą, czy AI koryguje niekompletne zapisy, wzmacnia bodźce rozliczeniowe, czy robi jedno i drugie jednocześnie.
