Τα ιατρικά εργαλεία κωδικοποίησης AI μπορεί να προσθέσουν 942 εκατομμύρια δολάρια στις δαπάνες για την υγειονομική περίθαλψη των ΗΠΑ, λέει η ανάλυση των ασφαλιστών

Τι έγινε

Η Ένωση Blue Cross Blue Shield (BCBSA) ανέλυσε δεδομένα αξιώσεων από το 2023-2025 και ανέφερε μια απότομη αύξηση στις περιπτώσεις όπου τα νοσοκομεία ταξινόμησαν τους ασθενείς ως ιατρικά πιο περίπλοκους. Η ένωση αποδίδει περίπου 942 εκατομμύρια δολάρια σε πρόσθετες δαπάνες για δύο χρόνια στη διάδοση των ιατρικών εργαλείων κωδικοποίησης που βασίζονται σε τεχνητή νοημοσύνη, με περισσότερο από το 60% των νοσοκομειακών συστημάτων των ΗΠΑ να χρησιμοποιούν τώρα τέτοια τεχνολογία.

Στις 26 Σεπτεμβρίου, το TechCrunch ανέφερε ότι η ανάλυση των δεδομένων αξιώσεων της BCBSA για την περίοδο 2023-2025 έδειξε μια αξιοσημείωτη αύξηση στον αριθμό των περιπτώσεων όπου τα νοσοκομεία ταξινόμησαν τους ασθενείς ως με πιο περίπλοκες καταστάσεις. Η ένωση συνέδεσε αυτήν την τάση με την αυξανόμενη υιοθέτηση ιατρικών εργαλείων κωδικοποίησης που βασίζονται σε τεχνητή νοημοσύνη, τα οποία μπορούν να αναλύσουν τα αποτελέσματα των δοκιμών και τα ιατρικά αρχεία για τον εντοπισμό πρόσθετων διαγνώσεων.

Η έκθεση εκτιμά ότι η πρόσθετη πολυπλοκότητα οδήγησε σε πρόσθετες δαπάνες περίπου 942 εκατομμυρίων δολαρίων σε μια περίοδο δύο ετών. Περίπου το 70% αυτής της αύξησης —πάνω από 650 εκατομμύρια δολάρια— συνδέθηκε με δευτερογενείς διαγνώσεις πέρα ​​από τον κύριο λόγο εισαγωγής. Αυτοί οι δευτερεύοντες κωδικοί μπορούν να μετακινήσουν τους ασθενείς σε ομάδες χρέωσης υψηλότερης σοβαρότητας, αυξάνοντας τα ποσοστά αποζημίωσης.

Η BCBSA σημείωσε ότι περισσότερο από το 60% των νοσοκομειακών συστημάτων των ΗΠΑ χρησιμοποιούν τώρα τεχνολογία κωδικοποίησης που βασίζεται στην τεχνητή νοημοσύνη. Ωστόσο, η ένωση τόνισε επίσης ότι δεν επιβεβαιώθηκε καμία αντίστοιχη αλλαγή στην πραγματική παρεχόμενη θεραπεία, γεγονός που καθιστά δύσκολο να αποδοθεί η αύξηση του κόστους αποκλειστικά στην τεχνητή νοημοσύνη.

Παρατηρητές του κλάδου, όπως ο Shiv Rao, ιδρυτής της Abridge, προειδοποίησαν ότι θα μπορούσε να προκύψει ένας «αγώνας αυτοματισμού», με νοσοκομεία και ασφαλιστές να αναπτύσσουν bots που μπορεί να ανταγωνίζονται μεταξύ τους. Ο Ράο πρότεινε ότι η σωστή χρήση της τεχνητής νοημοσύνης θα μπορούσε να μειώσει τις διοικητικές τριβές, αλλά η ανεξέλεγκτη ανάπτυξη μπορεί να αυξήσει το κόστος.

Στοιχεία πηγής: digitaltoday.co.kr ↗

Γιατί έχει σημασία

Εάν τα εργαλεία κωδικοποίησης τεχνητής νοημοσύνης οδηγούν πράγματι σε υψηλότερη πολυπλοκότητα χρέωσης, ο αντίκτυπος στο κόστος θα μπορούσε να είναι σημαντικός για τους ασφαλιστές, τους ασθενείς και το ευρύτερο σύστημα υγειονομικής περίθαλψης. Η ανάλυση υποδηλώνει ότι το μεγαλύτερο μέρος της πρόσθετης δαπάνης —πάνω από 650 εκατομμύρια δολάρια— προέρχεται από δευτερογενείς διαγνώσεις που ωθούν τους ασθενείς σε κατηγορίες χρέωσης υψηλότερης αποζημίωσης, παρόλο που δεν παρατηρήθηκε αντίστοιχη αλλαγή στη θεραπεία. Αυτό εγείρει ερωτήματα σχετικά με το ρόλο της τεχνητής νοημοσύνης στη διόγκωση του κόστους, την ανάγκη για επίβλεψη της αυτοματοποιημένης κωδικοποίησης και πιθανές ρυθμιστικές απαντήσεις για τον περιορισμό των ακούσιων οικονομικών συνεπειών.

Οι οικονομικές επιπτώσεις είναι σημαντικές: μια επιπλέον δαπάνη 942 εκατομμυρίων δολαρίων μεταφράζεται σε υψηλότερα ασφάλιστρα για τους ασφαλιστές και δυνητικά υψηλότερο κόστος από την τσέπη για τους ασθενείς.

The finding highlights a gap in current oversight of AI applications in health‑care administration, where automated tools can influence billing without clear clinical justification.

If AI‑generated secondary diagnoses are not rigorously validated, they could create incentives for hospitals to over‑code, undermining trust in the billing system and prompting calls for regulatory scrutiny.

Τι να παρακολουθήσετε στη συνέχεια

Οι υπεύθυνοι χάραξης πολιτικής μπορούν να εξετάσουν οδηγίες ή πρότυπα για κωδικοποίηση με τη βοήθεια τεχνητής νοημοσύνης για να διασφαλίσουν τη διαφάνεια και να αποτρέψουν την υπερβολική χρέωση. Οι ασφαλιστές θα μπορούσαν να ενισχύσουν τις διαδικασίες ελέγχου για αξιώσεις που δημιουργούνται από τεχνητή νοημοσύνη και τα νοσοκομεία ενδέχεται να υιοθετήσουν εσωτερικούς ελέγχους για να επαληθεύσουν ότι οι πρόσθετες διαγνώσεις αντικατοπτρίζουν πραγματικά κλινικά ευρήματα. Θα χρειαστούν μελλοντικές μελέτες για την απομόνωση της αιτιώδους επίδρασης της τεχνητής νοημοσύνης σε σχέση με άλλες τάσεις χρέωσης.

Legislative or agency action to establish standards for AI‑assisted medical coding, including transparency requirements for how diagnoses are generated.

Insurers may increase audits of AI‑generated claims to verify that added diagnoses reflect genuine clinical findings.

Hospitals could implement internal validation processes or adopt third‑party verification tools to ensure AI‑suggested codes are appropriate.

Further research to disentangle AI’s role from other factors influencing billing complexity, such as changes in coding guidelines or reimbursement policies.

Σχετικοί οδηγοί και κουίζ