AKASA lleva IA autónoma a la codificación hospitalaria y la documentación clínica

AKASA el 2 de octubre de 2026 anunció el lanzamiento de una plataforma de IA autónoma para la fase intermedia del ciclo de ingresos de la salud, ampliando la empresa de South San Francisco desde la revisión de facturación previa impulsada por IA hacia la codificación médica hospitalaria autónoma y la integridad de la documentación clínica (CDI).

AKASA, que se describe a sí misma como líder en IA generativa para el ciclo de ingresos de la salud, dijo que sus clientes representan más de 180 mil millones de dólares en ingresos netos agregados de pacientes y aproximadamente el 10 % de los ingresos hospitalarios en EE. UU., es decir, alrededor de 1 de cada 10. La empresa afirmó que el volumen de pacientes hospitalizados procesado a través de sus productos de IA había crecido casi 6 veces en el año anterior al lanzamiento, atribuyendo la expansión de su base de clientes de sistemas de salud a esos productos.

AKASA dijo que ajusta finamente los modelos de IA para cada sistema de salud, teniendo en cuenta las diferencias en las poblaciones de pacientes, los criterios clínicos, las prácticas de documentación y la complejidad de la atención, un enfoque que, según la empresa, respalda una documentación completa y una codificación precisa que refleje mejor la atención brindada. El CEO y cofundador Malinka Walaliyadde describió el lanzamiento como un hito para la industria. “Durante años, una fase intermedia autónoma ha sido el santo grial de nuestro sector”, dijo. “Hoy, AKASA lo está haciendo realidad.”

Por qué la automatización de la fase intermedia ha sido difícil

La fase intermedia es la etapa del ciclo de ingresos en la que el registro clínico de un paciente se traduce de la documentación a los códigos que impulsan el reembolso, los informes de calidad, el ajuste de riesgos y la integridad del registro del paciente. El anuncio describe ese trabajo como altamente complejo y que consume muchos recursos, y sigue siendo predominantemente manual.

Esa complejidad, dijo la empresa, ha dificultado la automatización fiable. El anuncio hace referencia a un estudio revisado por pares de 2025 en npj Health Systems que informó tasas de error de codificación médica de hasta el 20 %, y a una revisión de julio de 2026 de la Oficina de Responsabilidad del Gobierno de EE. UU. que identificó la precisión verificable como un desafío central para las organizaciones de salud que adoptan IA para notas médicas y codificación.

Según la empresa, un codificador suele tardar de 30 a 60 minutos en codificar un único encuentro hospitalario, y la escasez de personal y las limitaciones de capacidad pueden hacer que los sistemas de salud esperen varios días después del alta de un paciente antes de que un codificador siquiera comience a trabajar en la cuenta. Los materiales de AKASA describen el intervalo actual desde el alta hasta la codificación en tres a cuatro días, frente a 90 segundos con su sistema.

Cómo funciona la plataforma de codificación autónoma

Según la documentación de codificación hospitalaria autónoma de AKASA, el sistema lee el expediente completo del paciente (resúmenes de alta, notas operatorias, notas de progreso, consultas, laboratorios, imágenes y medicamentos) y trabaja cada encuentro de principio a fin, asignando el conjunto completo de códigos de forma independiente en todas las especialidades. Cada código se vincula al lenguaje exacto del expediente que lo respalda, con la justificación y la confianza detrás de él, lo que, según la empresa, crea una cadena de auditoría y permite que la validación tome segundos.

Los sistemas de salud establecen los límites operativos. Los clientes definen umbrales, reglas de líneas de servicio, combinación de pagadores y muestreo de auditorías, y el sistema codifica solo lo que la organización le ha autorizado a codificar, con ICD-10-CM/PCS incorporado. La plataforma funciona junto a los sistemas existentes de registros electrónicos de salud y facturación, por lo que avanzar hacia la autonomía no requiere reemplazarlos. La codificación ocurre al alta, cuando el expediente se cierra; AKASA afirma que esto reduce el volumen de casos dados de alta pero no codificados final (DNFC), disminuye los días de cuentas por cobrar y acelera la recaudación de efectivo sin añadir personal.

AKASA dijo que probó el sistema mediante evaluaciones ciegas de terceros en las que su IA y codificadores humanos expertos codificaron los mismos encuentros hospitalarios, representando entre el 65 % y el 85 % del volumen hospitalario en la mayoría de los sistemas de salud. Revisores independientes, sin saber si cada conjunto de códigos provenía de la IA o de un humano, encontraron que la IA igualó o superó a los codificadores expertos en medidas clave de precisión, informó la empresa: asignación de MS‑DRG, diagnóstico principal, captura de calidad clínica y precisión de admisión presente. AKASA dijo que la IA completa la codificación en menos de 90 segundos después del alta, y comercializa el producto como la primera solución autónoma construida específicamente para la codificación hospitalaria.

CDI, implementación y respuesta temprana

Más allá de la codificación, AKASA está ampliando la plataforma aguas arriba hacia CDI, describiendo una capa de IA unificada que abarca la documentación clínica, la codificación y la revisión de facturación previa, con el objetivo de mantener la documentación completa. La empresa dijo que, a medida que despliegue la fase intermedia autónoma, trabajará con los sistemas de salud en planes de implementación personalizados para escalar el volumen autónomo según la necesidad, y que pronto incorporará encuentros de instalaciones ambulatorias a la plataforma.

Cleveland Clinic ha utilizado los productos de revisión de facturación previa de AKASA en codificación y CDI y pretende explorar las ofertas de fase intermedia autónoma, según el anuncio. “Nuestro trabajo en el ciclo de ingresos es especialmente intensivo en tiempo porque atendemos a muchos pacientes médicamente complejos”, dijo Rohit Chandra, director digital de Cleveland Clinic. “Con la codificación autónoma, buscamos mejorar la velocidad y la precisión en estos procesos desafiantes bajo un enfoque de cumplimiento como prioridad en este trabajo.”

Jeff Francis, director financiero y vicepresidente de finanzas de Nebraska Methodist Health System, que ha trabajado con AKASA durante varios años, describió la autonomía como el siguiente paso natural para los sistemas de salud, señalando la integridad de ingresos, las denegaciones, los anulaciones y la rapidez con que su organización recibe pagos. Julie Yoo, socia general de Andreessen Horowitz, dijo que la atención médica no puede satisfacer la escala de la demanda futura solo con trabajo humano, y caracterizó la tecnología de AKASA como IA de frontera diseñada para las demandas específicas de la documentación clínica compleja y la codificación de pacientes hospitalizados.

AKASA afirmó que sus modelos personalizados se entrenan con la propia documentación clínica, la mezcla de casos y las decisiones de codificación de cada sistema de salud, y que sus soluciones van desde IA que apoya a los equipos de CDI y codificación hasta flujos de trabajo totalmente autónomos que codifican los encuentros de principio a fin.