AKASA bringer autonom AI til indlæggelseskodning og klinisk dokumentation

AKASA den 2. oktober 2026 annoncerede lanceringen af en autonom AI-platform for midtcyklussen i sundhedssektorens indtægtscyklus, hvilket udvider det i South San Francisco beliggende selskab fra AI-drevet forudfaktureringsgennemgang til autonom indlæggelsesmedicinsk kodning og klinisk dokumentationsintegritet (CDI).

AKASA, som beskriver sig selv som en førende inden for generativ AI for sundhedssektorens indtægtscyklus, oplyser, at dets kunder udgør mere end $180 milliarder i samlet netto patientindtægt og ca. 10 % af de amerikanske indlæggelsesudskrivninger, omtrent 1 ud af 10. Selskabet sagde, at indlæggelsesvolumen, der behandles gennem dets AI-produkter, var vokset næsten 6‑fold i året før lanceringen, og tilskriver udvidelsen af dets sundhedssystemkunder til disse produkter.

AKASA oplyser, at de finjusterer AI-modeller for enkelte sundhedssystemer, idet de tager højde for forskelle i patientpopulationer, kliniske kriterier, dokumentationspraksis og plejekompleksitet, en tilgang som selskabet siger understøtter fuldstændig dokumentation og nøjagtig kodning, der bedre afspejler den leverede pleje. CEO og medstifter Malinka Walaliyadde beskrev lanceringen som en milepæl for branchen. “I årevis har en autonom midtcyklus været en hellig gral i vores branche,” sagde han. “I dag gør AKASA den til virkelighed.”

Hvorfor automatisering af midtcyklussen har været vanskelig

Midtcyklussen er den fase i indtægtscyklussen, hvor en patients kliniske journal oversættes fra dokumentation til de koder, der driver refusion, kvalitetsrapportering, risikojustering og patientjournalens integritet. Meddelelsen beskriver dette arbejde som yderst komplekst og ressourcekrævende, og stadig overvejende manuelt.

Den kompleksitet, sagde selskabet, har gjort pålidelig automatisering vanskelig. Meddelelsen peger på en fagfællebedømt undersøgelse fra 2025 i npj Health Systems, som rapporterede fejlrater i medicinsk kodning på op til 20 %, samt på en gennemgang fra juli 2026 fra den amerikanske Government Accountability Office, der identificerede verificerbar nøjagtighed som en central udfordring for sundhedsorganisationer, der vedtager AI til medicinske notater og kodning.

Ifølge selskabet bruger en koder typisk 30 til 60 minutter på at kode en enkelt indlæggelsesforløb, og mangel på arbejdskraft samt kapacitetsbegrænsninger kan få sundhedssystemer til at vente flere dage efter en patients udskrivning, før en koder overhovedet begynder på sagen. AKASAs produktmateriale beskriver den nuværende interval fra udskrivning til kodning som tre til fire dage, sammenlignet med 90 sekunder med deres system.

Hvordan den autonome kodningsplatform fungerer

Ifølge AKASAs autonom indlæggelseskodningsdokumentation læser systemet den komplette patientjournal (udskrivningsoversigter, operative noter, fremskridtsnotater, konsulter, laboratorieprøver, billeddiagnostik og medicin) og behandler hvert forløb fra start til slut, idet det tildeler det fulde kodesæt uafhængigt på tværs af alle specialer. Hver kode linker tilbage til den præcise journaltekst, der understøtter den, med den bagvedliggende begrundelse og sikkerhed, hvilket ifølge selskabet skaber et revisionsspor og gør validering på sekunder.

Sundhedssystemer fastsætter driftsgrænserne. Kunder definerer tærskler, service‑linjeregel, betalermiks og revisionsudtagning, og systemet koder kun det, organisationen har godkendt det til at kode, med ICD-10-CM/PCS indbygget. Platformen fungerer sammen med eksisterende elektroniske patientjournaler og faktureringssystemer, så overgangen til autonomi ikke kræver udskiftning af dem. Kodning sker ved udskrivning, når journalen lukkes; AKASA hævder, at dette sænker volumen af udskrevne‑men‑ikke‑endeligt‑kodede (DNFC), reducerer dage for tilgodehavender og accelererer kontantindsamling uden at tilføje ekstra personale.

AKASA oplyser, at de testede systemet gennem tredjeparts blinde evalueringer, hvor deres AI og ekspert‑menneskelige kodere kodede de samme indlæggelsesforløb, hvilket udgør 65 % til 85 % af indlæggelsesvolumen i de fleste sundhedssystemer. Uafhængige anmeldere, som ikke fik oplyst om hvert kodesæt kom fra AI’en eller et menneske, fandt, at AI’en matchede eller overgik ekspertkodere på nøgle‑nøjagtighedsmål, som selskabet rapporterede: MS‑DRG‑tildeling, hoveddiagnose, indfangning af klinisk kvalitet og nøjagtighed ved tilstedeværelse ved indlæggelse. AKASA sagde, at AI’en fuldfører kodning på mindre end 90 sekunder efter udskrivning, og de markedsfører produktet som den første autonome løsning, der er bygget specifikt til indlæggelseskodning.

CDI, implementering og tidlig respons

Udover kodning udvider AKASA platformen opstrøms til CDI og beskriver et samlet AI‑lag på tværs af klinisk dokumentation, kodning og forudfaktureringsgennemgang, der har til formål at holde dokumentationen komplet. Selskabet sagde, at efterhånden som de ruller den autonome midtcyklus ud, vil de samarbejde med sundhedssystemer om tilpassede implementeringsplaner for at skalere autonomt volumen efter behov, og at de snart vil introducere ambulante facilitetsforløb på platformen.

Cleveland Clinic har brugt AKASAs produkter til forudfaktureringsgennemgang på tværs af kodning og CDI og har til hensigt at undersøge de autonome midtcyklus‑tilbud, ifølge meddelelsen. “Vores arbejde med indtægtscyklussen er særligt tidskrævende, fordi vi plejer mange medicinsk komplekse patienter,” sagde Rohit Chandra, chief digital officer hos Cleveland Clinic. “Med autonom kodning ønsker vi at forbedre hastighed og præcision i disse udfordrende processer under en compliance‑først tilgang til dette arbejde.”

Jeff Francis, finansdirektør og vicepræsident for økonomi i Nebraska Methodist Health System, som har arbejdet med AKASA i flere år, beskrev autonomi som det naturlige næste skridt for sundhedssystemer og pegede på indtægtsintegritet, afslag, afskrivninger og hvor hurtigt hans organisation får betaling. Julie Yoo, generel partner i Andreessen Horowitz, sagde, at sundhedssektoren ikke kan imødekomme den kommende efterspørgsel udelukkende med menneskelig arbejdskraft, og karakteriserede AKASAs teknologi som frontier AI bygget til de specifikke krav inden for kompleks klinisk dokumentation og indlæggende kodning.

AKASA sagde, at deres tilpassede modeller er trænet på hvert sundhedssystems egen kliniske dokumentation, case mix og kodningsbeslutninger, og at deres løsninger spænder fra AI, der understøtter CDI‑ og kodningsteams, til fuldt autonome arbejdsgange, der koder møder fra start til slut.