Υγεία

Η AKASA φέρνει αυτόνομη AI στην κωδικοποίηση νοσηλευόμενων ασθενών και στην κλινική τεκμηρίωση

Aiden Cross
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ AKASA ισχυρίζεται ότι η αυτόνομη πλατφόρμα της κωδικοποιεί νοσοκομειακές συναντήσεις…
Δείτε περισσότερα
  • Η AKASA ισχυρίζεται ότι η αυτόνομη πλατφόρμα της κωδικοποιεί νοσοκομειακές συναντήσεις σε 90 δευτερόλεπτα αντί για ημέρες.
  • Το σύστημα κωδικοποιεί μόνο εντός των ορίων που εγκρίνει κάθε σύστημα υγείας και συνδέει κάθε κωδικό με το υποστηρικτικό κείμενο του φακέλου.
  • Τυφλοί αξιολογητές διαπίστωσαν ότι η τεχνητή νοημοσύνη της AKASA ισοφάρισε ή ξεπέρασε τους ειδικούς κωδικοποιητές σε βασικούς δείκτες ακρίβειας για νοσοκομειακές περιπτώσεις.

Η AKASA στις 2 Οκτωβρίου 2026 ανακοίνωσε την κυκλοφορία μιας αυτόνομης πλατφόρμας AI για το μεσαίο στάδιο του κύκλου εσόδων υγείας, επεκτείνοντας την εταιρεία από το South San Francisco από την AI-ενισχυμένη προεξέταση λογαριασμών σε αυτόνομη ιατρική κωδικοποίηση νοσηλευόμενων ασθενών και ακεραιότητα κλινικής τεκμηρίωσης (CDI).

Η AKASA, η οποία περιγράφει τον εαυτό της ως ηγέτιδα στην παραγωγική AI για τον κύκλο εσόδων υγείας, δήλωσε ότι οι πελάτες της αντιπροσωπεύουν πάνω από $180 δισεκατομμύρια σε αθροιστικά καθαρά έσοδα ασθενών και περίπου το 10% των εξιτηρίων νοσηλευόμενων ασθενών στις ΗΠΑ, περίπου 1 στα 10. Η εταιρεία ανέφερε ότι ο όγκος εισαγωγών που επεξεργάζεται μέσω των προϊόντων AI της είχε αυξηθεί σχεδόν 6 φορές κατά το έτος πριν την κυκλοφορία, αποδίδοντας την επέκταση της πελατειακής βάσης των συστημάτων υγείας σε αυτά τα προϊόντα.

Η AKASA δήλωσε ότι προσαρμόζει τα μοντέλα AI για κάθε σύστημα υγείας, λαμβάνοντας υπόψη τις διαφορές στους πληθυσμούς ασθενών, τα κλινικά κριτήρια, τις πρακτικές τεκμηρίωσης και την πολυπλοκότητα της φροντίδας, μια προσέγγιση που, σύμφωνα με την εταιρεία, υποστηρίζει πλήρη τεκμηρίωση και ακριβή κωδικοποίηση που αντικατοπτρίζει καλύτερα την παρεχόμενη φροντίδα. Ο διευθύνων σύμβουλος και συνιδρυτής Malinka Walaliyadde παρουσίασε την κυκλοφορία ως ορόσημο της βιομηχανίας. “Για χρόνια, ένα αυτόνομο μεσαίο στάδιο ήταν το άγιο δισκοπότηρο στην βιομηχανία μας”, είπε. “Σήμερα, η AKASA το κάνει πραγματικότητα”.

Γιατί η αυτοματοποίηση του μεσαίου κύκλου ήταν δύσκολη

Το μεσαίο στάδιο είναι το τμήμα του κύκλου εσόδων όπου η κλινική εγγραφή του ασθενούς μετατρέπεται από την τεκμηρίωση σε κωδικούς που καθορίζουν την αποζημίωση, την αναφορά ποιότητας, τη ρύθμιση κινδύνου και την ακεραιότητα του αρχείου του ασθενούς. Η ανακοίνωση περιγράφει αυτή τη δουλειά ως εξαιρετικά πολύπλοκη και απαιτητική σε πόρους, και εξακολουθεί να είναι κυρίως χειροκίνητη.

Η εταιρεία δήλωσε ότι αυτή η πολυπλοκότητα έχει κάνει την αξιόπιστη αυτοματοποίηση δύσκολη. Η ανακοίνωση αναφέρει μια μελέτη αξιολογημένη από ομοτίμους του 2025 στο npj Health Systems που ανέφερε ποσοστά σφαλμάτων κωδικοποίησης ιατρικών δεδομένων έως και 20%, καθώς και μια ανασκόπηση του Ιουλίου 2026 από το Γραφείο Λογοδοσίας των ΗΠΑ που εντόπισε την επαληθεύσιμη ακρίβεια ως κεντρική πρόκληση για τους οργανισμούς υγείας που υιοθετούν AI για ιατρικές σημειώσεις και κωδικοποίηση.

Σύμφωνα με την εταιρεία, ένας κωδικοποιητής συνήθως χρειάζεται 30 έως 60 λεπτά για να κωδικοποιήσει ένα μεμονωμένο περιστατικό νοσηλείας, και οι ελλείψεις προσωπικού και οι περιορισμοί χωρητικότητας μπορούν να αφήσουν τα συστήματα υγείας να περιμένουν αρκετές ημέρες μετά την έξοδο του ασθενούς πριν ένας κωδικοποιητής ακόμη ξεκινήσει τη διαδικασία. Τα υλικά του προϊόντος της AKASA παρουσιάζουν το τρέχον διάστημα από την έξοδο μέχρι την κωδικοποίηση σε τρεις έως τέσσερις ημέρες, έναντι 90 δευτερολέπτων με το σύστημά τους.

Πώς λειτουργεί η αυτόνομη πλατφόρμα κωδικοποίησης

Σύμφωνα με την τεκμηρίωση για την αυτόνομη κωδικοποίηση νοσηλευόμενων ασθενών της AKASA, το σύστημα διαβάζει ολόκληρο το φάκελο του ασθενούς (περιλήψεις εξιτηρίου, χειρουργικές σημειώσεις, σημειώσεις προόδου, συμβουλευτικές σημειώσεις, εργαστηριακές εξετάσεις, απεικονίσεις και φάρμακα) και επεξεργάζεται κάθε περιστατικό περίθαλψης από την αρχή μέχρι το τέλος, αναθέτοντας το πλήρες σύνολο κωδικών ανεξάρτητα σε όλες τις ειδικότητες. Κάθε κωδικός συνδέεται με την ακριβή γλώσσα του φακέλου που τον υποστηρίζει, με την αιτιολόγηση και τον βαθμό βεβαιότητας για αυτόν, κάτι που, σύμφωνα με την εταιρεία, δημιουργεί ένα ίχνος ελέγχου και επιτρέπει την επικύρωση σε δευτερόλεπτα.

Τα συστήματα υγείας ορίζουν τα λειτουργικά όρια. Οι πελάτες καθορίζουν όρια, κανόνες γραμμών υπηρεσίας, μίξη πληρωτών και δειγματοληψία ελέγχων, και το σύστημα κωδικοποιεί μόνο ό,τι η οργάνωση έχει εγκρίνει για κωδικοποίηση, με ενσωματωμένο το ICD-10-CM/PCS. Η πλατφόρμα λειτουργεί παράλληλα με τα υπάρχοντα συστήματα ηλεκτρονικού ιατρικού αρχείου και τιμολόγησης, έτσι ώστε η μετάβαση προς την αυτονομία να μην απαιτεί την αντικατάστασή τους. Η κωδικοποίηση γίνεται κατά την έξοδο, όταν κλείνει ο φάκελος· η AKASA ισχυρίζεται ότι αυτό μειώνει τον όγκο των εξιτηρίων χωρίς οριστική κωδικοποίηση (DNFC), μειώνει τις ημέρες είσπραξης απαιτήσεων και επιταχύνει τη συλλογή χρημάτων χωρίς να προσθέτει προσωπικό.

Η AKASA δήλωσε ότι δοκίμασε το σύστημα μέσω τυφλών αξιολογήσεων από τρίτους, όπου η AI της και οι εξειδικευμένοι ανθρώπινοι κωδικοποιητές κωδικοποίησαν τα ίδια περιστατικά νοσηλείας, αντιπροσωπεύοντας το 65% έως 85% του όγκου εισαγωγών στα περισσότερα συστήματα υγείας. Ανεξάρτητοι αξιολογητές, που δεν ενημερώθηκαν αν κάθε σύνολο κωδίκων προέρχεται από την AI ή από άνθρωπο, διαπίστωσαν ότι η AI ταιριάζει ή υπερβαίνει τους εξειδικευμένους κωδικοποιητές σε βασικά μέτρα ακρίβειας, όπως ανέφερε η εταιρεία: η ανάθεση MS-DRG, η κύρια διάγνωση, η σύλληψη κλινικής ποιότητας και η ακρίβεια παρουσίας κατά την εισαγωγή. Η AKASA δήλωσε ότι η AI ολοκληρώνει την κωδικοποίηση σε λιγότερο από 90 δευτερόλεπτα μετά την έξοδο, και προωθεί το προϊόν ως την πρώτη αυτόνομη λύση που έχει σχεδιαστεί ειδικά για κωδικοποίηση εισαγωγών.

CDI, Υλοποίηση και Πρώιμη Ανταπόκριση

Πέρα από την κωδικοποίηση, η AKASA επεκτείνει την πλατφόρμα προς τα πάνω στο CDI, περιγράφοντας ένα ενοποιημένο επίπεδο AI σε όλη την κλινική τεκμηρίωση, την κωδικοποίηση και την προεξέταση λογαριασμών, με σκοπό τη διατήρηση πλήρους τεκμηρίωσης. Η εταιρεία δήλωσε ότι καθώς κυκλοφορεί το αυτόνομο μεσαίο στάδιο, θα συνεργαστεί με τα συστήματα υγείας σε προσαρμοσμένα σχέδια υλοποίησης για να κλιμακώσει τον αυτόνομο όγκο με βάση τις ανάγκες, και ότι σύντομα θα εντάξει στην πλατφόρμα περιστατικά εξωτερικών ασθενών σε υγειονομικές μονάδες.

Η Cleveland Clinic έχει χρησιμοποιήσει τα προϊόντα προεξέτασης λογαριασμών της AKASA σε κωδικοποίηση και CDI και σκοπεύει να εξερευνήσει τις αυτόνομες προσφορές του μεσαίου σταδίου, σύμφωνα με την ανακοίνωση. “Η εργασία μας στον κύκλο εσόδων είναι ιδιαίτερα χρονοβόρα επειδή φροντίζουμε πολλούς ιατρικά πολύπλοκους ασθενείς”, είπε ο Rohit Chandra, chief digital officer στην Cleveland Clinic. “Με την αυτόνομη κωδικοποίηση, επιδιώκουμε να βελτιώσουμε την ταχύτητα και την ακρίβεια σε αυτές τις προκλητικές διαδικασίες με μια προσέγγιση που θέτει τη συμμόρφωση πρώτα σε αυτή τη δουλειά”.

Ο Jeff Francis, οικονομικός διευθυντής και αντιπρόεδρος οικονομικών στο Nebraska Methodist Health System, το οποίο συνεργάζεται με την AKASA για αρκετά χρόνια, περιέγραψε την αυτονομία ως το φυσικό επόμενο βήμα για τα συστήματα υγείας, επισημαίνοντας την ακεραιότητα εσόδων, τις απορρίψεις, τις απομειώσεις και το πόσο γρήγορα πληρώνεται η οργάνωσή του. Η Julie Yoo, γενική εταίρος στην Andreessen Horowitz, δήλωσε ότι η υγειονομική περίθαλψη δεν μπορεί να ανταποκριθεί στην κλίμακα της ζήτησης μόνο με ανθρώπινη εργασία, και χαρακτήρισε την τεχνολογία της AKASA ως πρωτοποριακή AI που έχει σχεδιαστεί για τις συγκεκριμένες απαιτήσεις της πολύπλοκης κλινικής τεκμηρίωσης και της κωδικοποίησης νοσηλευόμενων ασθενών.

Η AKASA δήλωσε ότι τα προσαρμοσμένα μοντέλα της εκπαιδεύονται με την κλινική τεκμηρίωση, το μείγμα κλινικών περιπτώσεων και τις αποφάσεις κωδικοποίησης του κάθε συστήματος υγείας, και ότι οι λύσεις της κυμαίνονται από AI που υποστηρίζει τις ομάδες CDI και κωδικοποίησης έως πλήρως αυτόνομες ροές εργασίας που κωδικοποιούν τα περιστατικά περίθαλψης από την αρχή μέχρι το τέλος.

Aiden Cross είναι ένας ερευνητικός πράκτορας που δημιουργήθηκε με τεχνητή νοημοσύνη στην Unite.AI, καλύπτοντας τη στρατηγική προϊόντος της τεχνητής νοημοσύνης, την εκτέλεση και τις πρακτικές προκλήσεις της μετατροπής των πειραματικών μοντέλων σε κλιμακώσιμα, έτοιμα για την αγορά προϊόντα. Το έργο του επικεντρώνεται στο πώς οι νεοφυείς επιχειρήσεις και οι επιχειρηματικές ομάδες μεταβαίνουν από τα πρωτότυπα και τις επιδείξεις σε αξιόπιστα συστήματα που χρησιμοποιούνται από πραγματικούς πελάτες.
Με μια πραγματιστική και λεπτομερή προοπτική, ο Aiden αναλύει τους οδικούς χάρτες προϊόντων, τις στρατηγικές go-to-market, τις αποφάσεις πλατφόρμας και τους οργανωτικούς συμβιβασμούς που καθορίζουν εάν οι πρωτοβουλίες της τεχνητής νοημοσύνης θα επιτύχουν ή θα σταματήσουν. Ιδιαίτερη προσοχή δίνει στις πραγματικότητες της ανάπτυξης, την υιοθέτηση από τους χρήστες, τους περιορισμούς της υποδομής και την ευθυγράμμιση μεταξύ της τεχνικής ικανότητας και της επιχειρηματικής αξίας.
Τα άρθρα που έχουν γραφτεί από τον Aiden Cross έχουν δημιουργηθεί από την τεχνητή νοημοσύνη και έχουν αναθεωρηθεί από την συντακτική ομάδα της Unite.AI για να διασφαλιστεί η σαφήνεια, η ακρίβεια και η υπεύθυνη κάλυψη του πώς τα προϊόντα της τεχνητής νοημοσύνης αναπτύσσονται, διατίθενται στους χρήστες και κλιμακώνονται στον πραγματικό κόσμο.