AKASA tuo autonomisen tekoälyn sairaalahoidon koodaukseen ja kliiniseen dokumentointiin

AKASA 2. lokakuuta 2026 ilmoitti autonomisen tekoälyalustan lanseeraamisesta terveydenhuollon tulonkierron keskivaiheessa, laajentaen Etelä‑San Franciscossa sijaitsevan yrityksen AI‑pohjaisesta ennakkolaskujen tarkastuksesta autonomiseen sairaalahoidon lääketieteelliseen koodaukseen ja kliinisen dokumentoinnin eheyteen (CDI).

AKASA, joka kuvaa itseään generatiivisen tekoälyn johtajaksi terveydenhuollon tulonkierron alalla, kertoi, että sen asiakkaat edustavat yli $180 billion yhteistä nettopotilaskuluista ja noin 10 % Yhdysvaltain sairaalahoidon potilaskuljetuksista, suunnilleen yksi kymmenestä. Yritys ilmoitti, että sairaalahoidon volyymi, jota sen AI‑tuotteet käsittelevät, oli kasvanut lähes kuusinkertaiseksi edeltävän vuoden aikana, ja liitti asiakaskunnan laajentumisen näihin tuotteisiin.

AKASA kertoi, että se hienosäätää AI‑malleja yksittäisille terveydenhuoltojärjestelmille ottaen huomioon potilaspopulaatioiden, kliinisten kriteerien, dokumentointikäytäntöjen ja hoidon monimutkaisuuden erot, lähestymistapa, jonka yritys sanoo tukevan täydellistä dokumentaatiota ja tarkkaa koodausta, joka heijastaa paremmin toteutettua hoitoa. Toimitusjohtaja ja perustaja Malinka Walaliyadde esitti lanseerauksen alan virstanpylväänä. “Vuosien ajan autonominen keskivaihe on ollut alamme pyhä graali,” hän sanoi. “Tänään AKASA tekee siitä todellisuutta.”

Miksi keskivaiheen automaatio on ollut vaikeaa

Keskivaihe on tulonkierron vaihe, jossa potilaan kliininen tietue käännetään dokumentaatiosta koodeiksi, jotka ohjaavat korvausta, laadun raportointia, riskisäätöä ja potilastietueen eheyttä. Ilmoitus kuvaa tätä työtä erittäin monimutkaiseksi ja resurssivaatimukselliseksi, ja edelleen pääosin manuaaliseksi.

Yrityksen mukaan tämä monimutkaisuus on tehnyt luotettavasta automaatiosta vaikeaa. Ilmoitus viittaa vuodelta 2025 vertaisarvioituun tutkimukseen npj Health Systems -lehdessä, jossa raportoitiin lääketieteellisen koodauksen virherateista jopa 20 %, sekä heinäkuun 2026 Yhdysvaltain Hallituksen tilintarkastusviraston (GAO) tarkasteluun, jossa todettiin, että tarkistettavissa oleva tarkkuus on keskeinen haaste terveydenhuollon organisaatioille, jotka ottavat käyttöön tekoälyä lääketieteellisten muistiinpanojen ja koodauksen osalta.

Yrityksen mukaan koodari käyttää tyypillisesti 30–60 minuuttia yhden sairaalahoidon tapaamisen koodaamiseen, ja työvoimapula sekä kapasiteettirajoitteet voivat jättää terveydenhuoltojärjestelmät odottamaan useita päiviä potilaan kotiutuksen jälkeen, ennen kuin koodari edes aloittaa tapauksen. AKASA:n tuoteaineistot kuvaavat nykyisen aikavälin kotiutuksesta koodaukseen kolmen–neljän päivän mittaiseksi, kun sen järjestelmä tekee sen 90 sekunnissa.

Kuinka autonominen koodausalusta toimii

AKASA:n autonominen sairaalahoidon koodausdokumentaatio mukaan järjestelmä lukee koko potilaskartan (kotiutusraportit, leikkausmuistiinpanot, etenemismuistiinpanot, konsultaatioiden, laboratoriotulokset, kuvantamisen ja lääkitykset) ja käsittelee jokaisen tapaamisen alusta loppuun, määrittäen koko koodijoukon itsenäisesti kaikilla erikoisaloilla. Jokainen koodi linkittyy tarkkaan karttaan tukevan kielen perusteella, sisältäen perustelun ja varmuusasteen, mikä yrityksen mukaan luo auditointijäljen ja mahdollistaa validoinnin sekunneissa.

Terveydenhuoltojärjestelmät määrittelevät toiminta‑alueet. Asiakkaat asettavat kynnysarvot, palvelulinjan säännöt, maksajasekoituksen ja auditointinäytteen, ja järjestelmä koodaa vain sen, mitä organisaatio on hyväksynyt sen koodattavaksi, sisältäen ICD‑10‑CM/PCS‑standardin. Alusta toimii yhdessä olemassa olevien sähköisten potilastietojärjestelmien ja laskutusjärjestelmien kanssa, joten siirtyminen autonomiaan ei vaadi niiden korvaamista. Koodaus tapahtuu kotiutuksen yhteydessä, kun potilaskartta suljetaan; AKASA väittää tämän vähentävän kotiutettu‑mutta‑ei‑lopullisesti‑koodattu (DNFC) -määrää, lyhentävän saamisten kiertoaikoja ja nopeuttavan kassavirran keräystä ilman lisähenkilöstöä.

AKASA kertoi testanneensa järjestelmää kolmannen osapuolen sokaistetuilla arvioinneilla, joissa sen AI ja asiantuntija‑ihmis­koodarit koodasivat samat sairaalahoidon tapaamiset, jotka edustavat 65 %–85 % sairaalahoidon volyymista useimmissa terveydenhuoltojärjestelmissä. Itsenäiset tarkastajat, joita ei informoitu siitä, oliko koodijoukko peräisin AI:sta vai ihmisestä, havaitsivat, että AI vastasi tai ylitti asiantuntijakoodareiden suorituskyvyn keskeisissä tarkkuusmittareissa, yrityksen mukaan: MS‑DRG‑luokitus, päädiagnoosi, kliinisen laadun tallennus ja läsnäolo‑kirjautumisen tarkkuus. AKASA sanoi, että AI suorittaa koodauksen alle 90 sekunnissa kotiutuksen jälkeen, ja markkinoi tuotetta ensimmäisenä autonomisena ratkaisuna, joka on rakennettu erityisesti sairaalahoidon koodaukseen.

CDI, käyttöönotto ja varhainen reagointi

Koodauksen lisäksi AKASA laajentaa alustaa ylöspäin CDI:hen, kuvaillen yhtenäistä AI‑kerrosta kliinisen dokumentoinnin, koodauksen ja ennakkolaskujen tarkastuksen välillä, jonka tavoitteena on pitää dokumentaatio täydellisenä. Yritys kertoi, että autonomisen keskivaiheen käyttöönoton yhteydessä se tekee yhteistyötä terveydenhuoltojärjestelmien kanssa räätälöidyissä käyttöönotto‑suunnitelmissa skaalatakseen autonomista volyymia tarpeen mukaan, ja että se aikoo pian tuoda alustan ulkohoitotapaamisiin.

Cleveland Clinic on käyttänyt AKASA:n ennakkolaskujen tarkastus‑tuotteita koodauksessa ja CDI:ssä, ja aikoo tutkia autonomisia keskivaiheen ratkaisuja, ilmoituksen mukaan. “Tulonkiertotyömme on erityisen aikaintensiivistä, koska hoidamme monia lääketieteellisesti monimutkaisia potilaita,” sanoi Rohit Chandra, Cleveland Clinicin päädigitaalinen johtaja. “Autonomisen koodauksen avulla pyrimme parantamaan nopeutta ja tarkkuutta näissä haastavissa prosesseissa noudattaen ensisijaisesti sääntöjen noudattamista lähestymistapaa tähän työhön.”

Jeff Francis, Nebraska Methodist Health Systemin talousjohtaja ja rahoituksen varapuheenjohtaja, joka on työskennellyt AKASA:n kanssa useita vuosia, kuvasi autonomiaa terveydenhuoltojärjestelmien luonnollisena seuraavana askeleena viitaten tulon eheyteen, hylkäyksiin, poistoihin ja siihen, kuinka nopeasti hänen organisaationsa saa maksunsa. Julie Yoo, Andreessen Horowitzin yleinen kumppani, totesi, että terveydenhuolto ei pysty vastaamaan tulevan kysynnän mittakaavaan pelkän ihmistyön avulla, ja kuvaili AKASA:n teknologiaa raja‑AI:na, joka on rakennettu monimutkaisen kliinisen dokumentoinnin ja sairaalahoidon koodaamisen erityisvaatimuksia varten.

AKASA kertoi, että sen räätälöidyt mallit koulutetaan kunkin terveydenhuoltojärjestelmän omalla kliinisella dokumentaatiolla, tapauskoostumuksella ja koodauspäätöksillä, ja että sen ratkaisut vaihtelevat CDI‑ ja koodausryhmiä tukevasta AI:sta täysin autonomisiin työnkulkuihin, jotka koodaavat tapaamiset alusta loppuun.