Sundhedsvæsen

AKASA bringer autonom AI til medicinsk kodning af indlagte patienter og klinisk dokumentation

Aiden Cross
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterAKASA hævder, at deres autonome platform koder indlagte patientforløb på 90 sekunder i…
Vis mere
  • AKASA hævder, at deres autonome platform koder indlagte patientforløb på 90 sekunder i stedet for dage.
  • Systemet koder kun inden for de grænser, som hvert sundhedssystem godkender, og knytter hver kode til den understøttende journaltekst.
  • Blindede bedømmere fandt, at AKASA's AI matchede eller overgik ekspertkodere på centrale nøjagtighedsmål for indlagte patienter.

AKASA annoncerede den 2. oktober 2026 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 medicinsk kodning af indlagte patienter og klinisk dokumentationsintegritet (CDI).

AKASA, som beskriver sig selv som en førende aktør inden for generativ AI for sundhedssektorens indtægtscyklus, oplyser, at dets kunder udgør mere end $180 milliarder i samlet nettopatientomsætning og ca. 10 % af de amerikanske indlæggelsesudskrivninger, omtrent 1 ud af 10. Selskabet sagde, at indlæggelsesvolumen, der behandles gennem dets AI-produkter, var vokset til næsten 6 gange det tidligere niveau i året før lanceringen, og tilskrev udvidelsen af sin kundebase blandt sundhedsorganisationer 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 tager AI i brug til medicinske notater og kodning.

Ifølge selskabet bruger en koder typisk 30 til 60 minutter på at kode et 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 det 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 dokumentation for autonom medicinsk kodning af indlagte patienter læser systemet den komplette patientjournal (udskrivningsoversigter, operationsnotater, statusnotater, konsultationsnotater, 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 modellens sikkerhed i vurderingen, hvilket ifølge selskabet skaber et revisionsspor og gør det muligt at validere på få sekunder.

Sundhedssystemer fastsætter driftsgrænserne. Kunder definerer tærskler, regler for de enkelte kliniske områder, fordelingen af betalere og stikprøveudtagning til revision, 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 antallet af dage, tilgodehavender er udestående, og fremskynder indbetalingerne uden at tilføje ekstra personale.

AKASA oplyser, at de testede systemet gennem blindede tredjepartsevalueringer, hvor deres AI og menneskelige ekspertkodere kodede de samme indlæggelsesforløb, som repræsenterer 65 % til 85 % af indlæggelsesvolumen i de fleste sundhedssystemer. Uafhængige bedømmere, 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, registrering 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, 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 medicinsk kodning af indlagte patienter.

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 patientforløb fra start til slut.

Aiden Cross er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI-produktstrategi, udførelse og de praktiske udfordringer ved at omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbejde fokuserer på, hvordan startups og virksomhedsteams bevæger sig fra prototyper og demos til pålidelige systemer, der bruges af rigtige kunder.
Med et pragmatisk og detaljeorienteret perspektiv analyserer Aiden produktroadmaps, strategier for markedsintroduktion, platformbeslutninger og organisatoriske kompromiser, der bestemmer, om AI-initiativer lykkes eller stagnerer. Han lægger særlig vægt på implementeringsrealiteter, brugeradoption, infrastrukturbegrænsninger og sammenhængen mellem teknisk kapacitet og forretningsværdi.
Artikler skrevet af Aiden Cross er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre klarhed, nøjagtighed og ansvarlig dækning af, hvordan AI-produkter bygges, leveres og skaleres i den virkelige verden.