AKASA Membawa AI Otonom ke Pengkodean Rawat Inap dan Dokumentasi Klinis

AKASA pada 2 Oktober 2026 mengumumkan peluncuran platform AI otonom untuk tahap menengah siklus pendapatan layanan kesehatan, memperluas perusahaan yang berbasis di South San Francisco dari peninjauan pra‑tagihan berbasis AI menjadi pengkodean medis rawat inap otonom dan integritas dokumentasi klinis (CDI).

AKASA, yang menggambarkan dirinya sebagai pemimpin dalam AI generatif untuk siklus pendapatan layanan kesehatan, mengatakan pelanggannya mewakili lebih dari $180 miliar dalam total pendapatan bersih pasien secara agregat dan kira‑kira 10% dari rawat inap di AS, sekitar 1 dari 10. Perusahaan menyatakan volume rawat inap yang diproses melalui produk AI‑nya telah tumbuh hampir 6 kali lipat dalam tahun sebelum peluncuran, mengaitkan perluasan basis pelanggan sistem kesehatan mereka dengan produk‑produk tersebut.

AKASA mengatakan ia menyesuaikan model AI untuk masing‑masing sistem kesehatan, memperhitungkan perbedaan populasi pasien, kriteria klinis, praktik dokumentasi, dan kompleksitas perawatan, sebuah pendekatan yang menurut perusahaan mendukung dokumentasi lengkap dan pengkodean akurat yang lebih mencerminkan perawatan yang diberikan. CEO dan co‑founder Malinka Walaliyadde menyebut peluncuran ini sebagai tonggak industri. “Selama bertahun‑tahun, tahap menengah otonom telah menjadi tujuan utama dalam industri kami,” katanya. “Hari ini, AKASA mewujudkannya.”

Mengapa Otomatisasi Tahap Menengah Sulit Dilakukan

Tahap menengah adalah fase dalam siklus pendapatan di mana catatan klinis pasien diterjemahkan dari dokumentasi menjadi kode‑kode yang menentukan pembayaran, pelaporan kualitas, penyesuaian risiko, dan integritas catatan pasien. Pengumuman tersebut menggambarkan pekerjaan ini sebagai sangat kompleks dan memakan sumber daya, serta masih sebagian besar dilakukan secara manual.

Kompleksitas itu, kata perusahaan, telah membuat otomatisasi yang dapat diandalkan menjadi sulit. Pengumuman tersebut merujuk pada studi peer‑review 2025 di npj Health Systems yang melaporkan tingkat kesalahan pengkodean medis hingga 20%, serta pada tinjauan Juli 2026 oleh U.S. Government Accountability Office yang mengidentifikasi akurasi yang dapat diverifikasi sebagai tantangan utama bagi organisasi layanan kesehatan yang mengadopsi AI untuk catatan medis dan pengkodean.

Menurut perusahaan, seorang pengkode biasanya membutuhkan 30 hingga 60 menit untuk mengkode satu pertemuan rawat inap, dan kekurangan tenaga kerja serta keterbatasan kapasitas dapat membuat sistem kesehatan menunggu beberapa hari setelah pasien keluar sebelum pengkode mulai mengerjakan akun tersebut. Materi produk AKASA menggambarkan interval saat ini dari keluar rumah sakit hingga pengkodean memakan tiga hingga empat hari, dibandingkan dengan 90 detik menggunakan sistem mereka.

Cara Kerja Platform Pengkodean Otonom

Menurut dokumentasi pengkodean rawat inap otonom AKASA, sistem membaca seluruh catatan pasien (ringkasan keluar, catatan operasi, catatan perkembangan, konsultasi, laboratorium, pencitraan, dan obat‑obatan) dan menangani setiap pertemuan dari awal hingga akhir, memberikan seluruh set kode secara independen di semua spesialisasi. Setiap kode terhubung kembali ke bahasa catatan yang tepat yang mendukungnya, beserta alasan dan tingkat kepercayaan di baliknya, yang menurut perusahaan membangun jejak audit dan memungkinkan validasi dalam hitungan detik.

Sistem kesehatan menetapkan batas operasional. Pelanggan menentukan ambang batas, aturan lini layanan, campuran pembayar, dan sampel audit, dan sistem hanya mengkode apa yang telah disetujui organisasi untuk dikode, dengan ICD-10-CM/PCS terintegrasi. Platform ini bekerja berdampingan dengan sistem rekam medis elektronik dan penagihan yang ada, sehingga peralihan ke otonomi tidak memerlukan penggantian mereka. Pengkodean terjadi pada saat keluar rumah sakit, ketika catatan ditutup; AKASA mengklaim hal ini mengurangi volume discharged-not-final-coded (DNFC), mengurangi hari piutang, dan mempercepat penagihan uang tanpa menambah jumlah karyawan.

AKASA mengatakan ia menguji sistem melalui evaluasi buta pihak ketiga di mana AI‑nya dan pengkode manusia ahli mengkode pertemuan rawat inap yang sama, mewakili 65% hingga 85% volume rawat inap pada kebanyakan sistem kesehatan. Peninjau independen, yang tidak diberi tahu apakah setiap set kode berasal dari AI atau manusia, menemukan AI menyamai atau melampaui pengkode ahli pada ukuran akurasi utama, yang dilaporkan perusahaan: penetapan MS‑DRG, diagnosis utama, penangkapan kualitas klinis, dan akurasi present‑on‑admission. AKASA menyatakan AI menyelesaikan pengkodean dalam kurang dari 90 detik setelah keluar rumah sakit, dan memasarkan produk tersebut sebagai solusi otonom pertama yang dibangun khusus untuk pengkodean rawat inap.

CDI, Penyebaran, dan Respons Awal

Selain pengkodean, AKASA memperluas platform ke hulu ke dalam CDI, menggambarkan lapisan AI terpadu di seluruh dokumentasi klinis, pengkodean, dan peninjauan pra‑tagihan yang bertujuan menjaga dokumentasi tetap lengkap. Perusahaan mengatakan bahwa saat meluncurkan tahap menengah otonom, mereka akan bekerja dengan sistem kesehatan pada rencana penyebaran yang disesuaikan untuk meningkatkan volume otonom sesuai kebutuhan, dan bahwa mereka akan segera memperkenalkan pertemuan fasilitas rawat jalan ke platform.

Cleveland Clinic telah menggunakan produk peninjauan pra‑tagihan AKASA di seluruh pengkodean dan CDI serta berencana mengeksplorasi penawaran tahap menengah otonom, menurut pengumuman tersebut. “Pekerjaan siklus pendapatan kami sangat memakan waktu karena kami merawat banyak pasien dengan kompleksitas medis tinggi,” kata Rohit Chandra, chief digital officer di Cleveland Clinic. “Dengan pengkodean otonom, kami berupaya meningkatkan kecepatan dan presisi dalam proses yang menantang ini dengan pendekatan yang mengutamakan kepatuhan.”

Jeff Francis, chief financial officer dan wakil presiden keuangan di Nebraska Methodist Health System, yang telah bekerja sama dengan AKASA selama beberapa tahun, menggambarkan otonomi sebagai langkah selanjutnya yang alami bagi sistem kesehatan, dengan menunjuk pada integritas pendapatan, penolakan, penghapusan piutang, dan seberapa cepat organisasinya dibayar. Julie Yoo, seorang general partner di Andreessen Horowitz, mengatakan bahwa perawatan kesehatan tidak dapat memenuhi skala permintaan di masa depan hanya dengan tenaga manusia, dan menggambarkan teknologi AKASA sebagai frontier AI yang dibangun untuk memenuhi tuntutan khusus dokumentasi klinis yang kompleks dan pengkodean rawat inap.

AKASA mengatakan model khususnya dilatih pada dokumentasi klinis, campuran kasus, dan keputusan pengkodean masing-masing sistem kesehatan, dan bahwa solusinya mencakup AI yang mendukung tim CDI dan pengkodean hingga alur kerja sepenuhnya otonom yang mengkodekan pertemuan dari awal hingga akhir.