AKASA bringer autonom AI til koding av innlegg og klinisk dokumentasjon

AKASA 2. oktober 2026 kunngjorde lanseringen av en autonom AI-plattform for midt-syklusen i helsevesenets inntektsprosess, og utvider selskapet i South San Francisco fra AI-drevet forhåndsregningsgjennomgang til autonom medisinsk koding av innlegg og klinisk dokumentasjonsintegritet (CDI).

AKASA, som beskriver seg selv som en leder innen generativ AI for helsevesenets inntektsprosess, oppga at kundene deres representerer mer enn 180 milliarder dollar i samlet netto pasientinntekt og omtrent 10 % av innlegg i USA, omtrent 1 av 10. Selskapet sa at innleggvolumet som behandles gjennom deres AI-produkter hadde vokst nesten 6‑fold i året før lanseringen, og tilskrev utvidelsen av kundebasen i helsesystemer til disse produktene.

AKASA oppga at de finjusterer AI-modeller for individuelle helsesystemer, med hensyn til forskjeller i pasientpopulasjoner, kliniske kriterier, dokumentasjonspraksis og omsorgskompleksitet, en tilnærming som selskapet sier støtter fullstendig dokumentasjon og nøyaktig koding som bedre gjenspeiler den leverte omsorgen. administrerende direktør og medgründer Malinka Walaliyadde beskrev lanseringen som et milepæl for bransjen. «I flere år har en autonom midt-syklus vært en hellig graal i vår bransje», sa han. «I dag gjør AKASA den til virkelighet.»

Hvorfor automatisering av midt-syklusen har vært vanskelig

Midt-syklusen er fasen i inntektsprosessen hvor en pasients kliniske journal oversettes fra dokumentasjon til de kodene som styrer refusjon, kvalitetsrapportering, risikokorrigering og integriteten til pasientjournalen. Kunngjøringen beskriver dette arbeidet som svært komplekst og ressurskrevende, og fortsatt overveiende manuelt.

Den kompleksiteten, sa selskapet, har gjort pålitelig automatisering vanskelig. Kunngjøringen peker på en fagfellevurdert studie fra 2025 i npj Health Systems som rapporterte feilrater i medisinsk koding på opptil 20 %, og på en gjennomgang fra juli 2026 fra USAs Government Accountability Office som identifiserte verifiserbar nøyaktighet som en sentral utfordring for helseorganisasjoner som tar i bruk AI for medisinske notater og koding.

Ifølge selskapet bruker en koder vanligvis 30 til 60 minutter på å kode et enkelt innleggsmøte, og mangel på arbeidskraft og kapasitetsbegrensninger kan få helsesystemer til å vente flere dager etter en pasients utskrivelse før en koder i det hele tatt starter på saken. AKASAs produktmateriale beskriver den nåværende perioden fra utskrivelse til koding som tre til fire dager, sammenlignet med 90 sekunder med deres system.

Hvordan den autonome kodingsplattformen fungerer

I henhold til AKASAs autonom innleggs-kodingsdokumentasjon, leser systemet hele pasientjournalen (utskrivningsoppsummeringer, operasjonsnotater, fremdriftsnotater, konsultasjoner, laboratorieprøver, bildediagnostikk og medisiner) og behandler hvert møte fra start til slutt, og tildeler hele kodsettet uavhengig på tvers av alle spesialiteter. Hver kode knyttes tilbake til den eksakte journalteksten som støtter den, med begrunnelsen og sikkerheten bak den, noe selskapet sier bygger en revisjonsspor og gjør validering på sekunder.

Helsesystemer fastsetter driftsgrensene. Kundene definerer terskler, tjenestelinjeregler, betalerblanding og revisjonsutvalg, og systemet koder kun det organisasjonen har godkjent det skal kode, med ICD-10-CM/PCS integrert. Plattformen fungerer sammen med eksisterende elektroniske pasientjournaler og faktureringssystemer, så overgangen til autonomi krever ikke at de erstattes. Koding skjer ved utskrivelse, når journalen lukkes; AKASA hevder at dette reduserer volumet av utskrevet‑men‑ikke‑endelig‑kodet (DNFC), reduserer dager med kundefordringer, og akselererer innkrevingen av kontanter uten å øke bemanningen.

AKASA oppga at de testet systemet gjennom tredjeparts blinde evalueringer der deres AI og erfarne menneskelige kodere kodet de samme innleggsmøtene, som representerer 65 % til 85 % av innleggvolumet i de fleste helsesystemer. Uavhengige vurderere, som ikke fikk vite om hvert kodsett kom fra AI eller en menneskelig koder, fant at AI matchet eller overgikk ekspertkodere på viktige nøyaktighetsmål, rapporterte selskapet: tildeling av MS-DRG, hoveddiagnose, innfangning av klinisk kvalitet, og nøyaktighet ved present‑on‑admission. AKASA sa at AI fullfører koding på under 90 sekunder etter utskrivelse, og markedsfører produktet som den første autonome løsningen som er bygget spesifikt for innleggs‑koding.

CDI, utrulling og tidlig respons

Utover koding utvider AKASA plattformen oppstrøms til CDI, og beskriver et samlet AI-lag på tvers av klinisk dokumentasjon, koding og forhåndsregningsgjennomgang som skal holde dokumentasjonen komplett. Selskapet sa at når de ruller ut den autonome midt-syklusen, vil de samarbeide med helsesystemer om tilpassede utrullingsplaner for å skalere autonomt volum basert på behov, og at de snart vil introdusere polikliniske anleggsmøter i plattformen.

Cleveland Clinic har brukt AKASAs produkter for forhåndsregningsgjennomgang innen koding og CDI og har til hensikt å utforske de autonome midt-syklus‑tilbudene, ifølge kunngjøringen. «Vårt arbeid med inntektsprosessen er spesielt tidskrevende fordi vi behandler mange medisinsk komplekse pasienter», sa Rohit Chandra, chief digital officer i Cleveland Clinic. «Med autonom koding ønsker vi å forbedre hastighet og presisjon i disse utfordrende prosessene under en etterlevelse‑først‑tilnærming til dette arbeidet.»

Jeff Francis, finansdirektør og visepresident for økonomi i Nebraska Methodist Health System, som har samarbeidet med AKASA i flere år, beskrev autonomi som det naturlige neste steget for helsesystemer, og pekte på inntektsintegritet, avslag, avskrivninger og hvor raskt organisasjonen hans får betalt. Julie Yoo, general partner i Andreessen Horowitz, sa at helsevesenet ikke kan møte den kommende etterspørselen kun med menneskelig arbeidskraft, og karakteriserte AKASAs teknologi som frontier AI utviklet for de spesifikke kravene til kompleks klinisk dokumentasjon og innleggskoding.

AKASA sa at deres tilpassede modeller er trent på hvert helsesystems egne kliniske dokumentasjon, pasientsammensetning og kodingsbeslutninger, og at deres løsninger spenner fra AI som støtter CDI- og kodeteam til fullt autonome arbeidsflyter som koder møter fra start til slutt.