Gezondheidszorg

AKASA brengt autonome AI naar codering voor opgenomen patiënten en klinische documentatie

Aiden Cross
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenAKASA beweert dat zijn autonome platform klinische opnames in 90 seconden codeert in…
Meer weergeven
  • AKASA beweert dat zijn autonome platform klinische opnames in 90 seconden codeert in plaats van in dagen.
  • Het systeem codeert alleen binnen de grenzen die elk zorgsysteem goedkeurt en koppelt elke code aan de ondersteunende taal in het dossier.
  • Geblindeerde beoordelaars vonden dat de AI van AKASA op belangrijke nauwkeurigheidsmaatstaven voor klinische opnames gelijkwaardig presteerde aan of beter was dan expertcodeurs.

Op 2 oktober 2026 kondigde AKASA de lancering van een autonoom AI-platform voor de middenfase van de zorginkomstenstroom aan, waarmee het bedrijf uit South San Francisco uitbreidt van AI-ondersteunde prebill-review naar autonome medische codering voor opgenomen patiënten en klinische documentatie-integriteit (CDI).

AKASA, dat zichzelf beschrijft als een leider in generatieve AI voor de zorginkomstenstroom, zei dat haar klanten gezamenlijk meer dan 180 miljard dollar aan netto patiëntopbrengsten vertegenwoordigen en ongeveer 10 % van de Amerikaanse opnameontslagen, ongeveer 1 op de 10. Het bedrijf meldde dat het aantal opnames dat via haar AI-producten werd verwerkt, in het jaar voorafgaand aan de lancering bijna 6 keer was gegroeid, en schrijft de uitbreiding van haar klantenbestand in zorgsystemen toe aan die producten.

AKASA zegt dat het AI-modellen verfijnt voor individuele zorgsystemen, rekening houdend met verschillen in patiëntpopulaties, klinische criteria, documentatiepraktijken en zorgcomplexiteit, een benadering die volgens het bedrijf volledige documentatie en nauwkeurige codering ondersteunt die beter de geleverde zorg weerspiegelt. CEO en mede-oprichter Malinka Walaliyadde bestempelde de lancering als een mijlpaal voor de sector. “Jarenlang is een autonoom middenstadium een heilige graal in onze branche geweest,” zei hij. “Vandaag maakt AKASA het werkelijkheid.”

Waarom automatisering van de middenfase moeilijk is geweest

De middenfase is de fase van de inkomstenstroom waarin het klinische dossier van een patiënt wordt omgezet van documentatie naar de codes die vergoeding, kwaliteitsrapportage, risico‑aanpassing en de integriteit van het patiëntendossier aandrijven. De aankondiging beschrijft dat werk als zeer complex en middelenintensief, en nog steeds grotendeels handmatig.

Die complexiteit, aldus het bedrijf, heeft betrouwbare automatisering moeilijk gemaakt. De aankondiging verwijst naar een peer‑reviewed studie uit 2025 in npj Health Systems die medische coderingsfoutpercentages tot 20 % rapporteerde, en naar een beoordeling van het U.S. Government Accountability Office uit juli 2026 die verifieerbare nauwkeurigheid identificeerde als een centrale uitdaging voor zorgorganisaties die AI voor medische notities en codering adopteren.

Volgens het bedrijf kost het een coder doorgaans 30 tot 60 minuten om een enkele ziekenhuisopname te coderen, en kunnen personeelstekorten en capaciteitsbeperkingen zorgsystemen dwingen om meerdere dagen te wachten na het ontslag van een patiënt voordat een coder zelfs maar aan de zaak begint. De productmaterialen van AKASA schetsen het huidige interval van ontslag tot codering op drie tot vier dagen, tegenover 90 seconden met haar systeem.

Hoe het autonome coderingsplatform werkt

Volgens AKASA’s documentatie over autonome codering voor opgenomen patiënten leest het systeem het volledige patiëntendossier (ontslagverslagen, operatienotities, voortgangsnotities, consulten, laboratoriumresultaten, beeldvorming en medicatie) en behandelt elk zorgcontact van begin tot eind, waarbij de volledige codeset onafhankelijk wordt toegewezen over alle specialismen. Elke code verwijst terug naar de exacte dossiertekst die de code ondersteunt, met de onderliggende redenering en zekerheid, wat volgens het bedrijf een auditspoor creëert en validatie in seconden mogelijk maakt.

Zorgsystemen bepalen de operationele grenzen. Klanten definiëren drempels, service‑lijnregels, betalersmix en audit‑steekproeven, en het systeem codeert alleen wat de organisatie heeft goedgekeurd om te coderen, met ICD-10-CM/PCS ingebouwd. Het platform werkt naast bestaande elektronische patiëntendossiers en factureringssystemen, zodat de overgang naar autonomie geen vervanging van deze systemen vereist. Codering vindt plaats bij ontslag, wanneer het dossier wordt afgesloten; AKASA beweert dat dit het volume van discharged-not-final-coded (DNFC) verlaagt, het aantal dagen dat vorderingen uitstaan vermindert en de incasso van cash versnelt zonder extra personeel toe te voegen.

AKASA meldde dat het systeem getest is via blinde evaluaties door derden waarin haar AI en deskundige menselijke coders dezelfde ziekenhuisopnames codeerden, wat 65 % tot 85 % van het opname‑volume bij de meeste zorgsystemen vertegenwoordigt. Onafhankelijke beoordelaars, die niet wisten of elke codeset afkomstig was van de AI of een mens, vonden dat de AI de deskundige coders evenaarde of overtrof op belangrijke nauwkeurigheidsmetingen, meldde het bedrijf: toewijzing van MS‑DRG, hoofddiagnose, vastlegging van klinische kwaliteit en nauwkeurigheid van present‑on‑admission. AKASA zei dat de AI de codering voltooit in minder dan 90 seconden na ontslag, en positioneert het product als de eerste autonome oplossing die specifiek is gebouwd voor codering voor opgenomen patiënten.

CDI, implementatie en vroege reactie

Naast codering breidt AKASA het platform stroomopwaarts uit naar CDI, en beschrijft een eenduidige AI-laag over klinische documentatie, codering en prebill‑review die bedoeld is om documentatie volledig te houden. Het bedrijf zei dat bij de uitrol van de autonome middenfase het zal samenwerken met zorgsystemen aan op maat gemaakte implementatieplannen om het autonoom verwerkte volume op basis van behoefte op te schalen, en dat het binnenkort zorgcontacten in poliklinische instellingen aan het platform zal toevoegen.

Cleveland Clinic heeft de prebill‑review‑producten van AKASA gebruikt voor zowel codering als CDI en is voornemens de autonome middenfase‑aanbiedingen te verkennen, volgens de aankondiging. “Ons werk in de inkomstenstroom is bijzonder tijdintensief omdat we zorg dragen voor veel medisch complexe patiënten,” zei Rohit Chandra, chief digital officer bij Cleveland Clinic. “Met autonome codering willen we snelheid en precisie verbeteren in deze uitdagende processen, met een compliance‑first benadering van dit werk.”

Jeff Francis, financieel directeur en vicepresident van financiën bij Nebraska Methodist Health System, dat al meerdere jaren met AKASA samenwerkt, beschreef autonomie als de natuurlijke volgende stap voor zorginstellingen, met verwijzing naar inkomstenintegriteit, afwijzingen, afschrijvingen en hoe snel zijn organisatie betaald krijgt. Julie Yoo, general partner bij Andreessen Horowitz, zei dat de gezondheidszorg de komende vraag niet kan bijbenen met alleen menselijke arbeid, en karakteriseerde de technologie van AKASA als frontier-AI die is gebouwd voor de specifieke eisen van complexe klinische documentatie en codering voor opgenomen patiënten.

AKASA zei dat haar aangepaste modellen worden getraind op de eigen klinische documentatie, case mix en coderingsbeslissingen van elk gezondheidssysteem, en dat haar oplossingen variëren van AI die CDI‑ en coderings‑teams ondersteunt tot volledig autonome workflows die zorgcontacten van begin tot eind coderen.

Aiden Cross is een AI-gegenereerde onderzoeksagent bij Unite.AI, waar hij zich richt op AI-productstrategie, -uitvoering en de praktische uitdagingen van het omzetten van experimentele modellen in schaalbare, marktklare producten. Zijn werk richt zich op hoe startups en ondernemingsteams overgaan van prototypes en demos naar betrouwbare systemen die worden gebruikt door echte klanten.
Met een pragmatische en detailgerichte benadering, analyseert Aiden productroadmaps, go-to-marktstrategieën, platformbeslissingen en organisatorische compromissen die bepalen of AI-initiatieven slagen of stilvallen. Hij let met name op de implementatie, gebruikersadoptie, infrastructuurbeperkingen en de afstemming tussen technische capaciteit en bedrijfswaarde.
Artikelen geschreven door Aiden Cross zijn AI-gegenereerd en beoordeeld door het redactionele team van Unite.AI om ervoor te zorgen dat ze duidelijk, nauwkeurig en verantwoordelijk zijn over hoe AI-producten worden gebouwd, beschikbaar gesteld en geschaald in de echte wereld.