AKASA представляет автономный ИИ для внутрибольничного кодирования и клинической документации

AKASA 2 октября 2026 года сообщила о запуске автономной ИИ‑платформы для среднего этапа цикла доходов здравоохранения, расширив деятельность компании из Южного Сан-Франциско от ИИ‑поддерживаемого предварительного обзора счетов к автономному внутрибольничному медицинскому кодированию и целостности клинической документации (CDI).

AKASA, описывающая себя как лидера в генеративном ИИ для цикла доходов здравоохранения, заявила, что её клиенты представляют более 180 млрд долларов совокупного чистого дохода от пациентов и примерно 10 % всех внутрибольничных выписок в США, то есть около 1 из 10. Компания отметила, что объём внутрибольничных случаев, обработанных её ИИ‑продуктами, вырос почти в 6 раз за год, предшествующий запуску, и связала расширение клиентской базы систем здравоохранения с этими продуктами.

AKASA заявила, что дорабатывает модели ИИ для отдельных систем здравоохранения, учитывая различия в популяциях пациентов, клинических критериях, практиках документирования и сложности ухода; такой подход, по словам компании, поддерживает полную документацию и точное кодирование, более точно отражающее оказанную помощь. Генеральный директор и соучредитель Малинка Валариядде охарактеризовала запуск как веху отрасли. “На протяжении многих лет автономный средний этап был святым Граалем нашей индустрии”, — сказал он. “Сегодня AKASA делает его реальностью”.

Почему автоматизация среднего этапа была сложной

Средний этап — это стадия цикла доходов, на которой клиническая карта пациента преобразуется из документации в коды, определяющие возмещение, отчётность по качеству, корректировку рисков и целостность записи пациента. В объявлении эта работа описывается как чрезвычайно сложная и ресурсоёмкая, и всё ещё преимущественно ручная.

Компания заявила, что эта сложность затруднила надёжную автоматизацию. В объявлении указывается на рецензируемое исследование 2025 года в журнале npj Health Systems, в котором сообщалось об ошибках медицинского кодирования до 20 %, а также на обзор Управления ответственного контроля США от июля 2026 года, который определил проверяемую точность как ключевую проблему для организаций здравоохранения, внедряющих ИИ в медицинские заметки и кодирование.

По данным компании, кодировщику обычно требуется от 30 до 60 минут, чтобы закодировать один внутрибольничный случай, а нехватка персонала и ограничения мощности могут заставить системы здравоохранения ждать несколько дней после выписки пациента, прежде чем кодировщик начнёт работу с записью. В материалах продукта AKASA указывается, что текущий интервал от выписки до кодирования составляет три‑четыре дня, тогда как её система справляется за 90 секунд.

Как работает автономная платформа кодирования

Согласно автономной кодировке и документации госпитализации AKASA, система читает полную карту пациента (выписные резюме, операционные протоколы, прогресс‑заметки, консультации, лабораторные данные, визуализацию и препараты) и обрабатывает каждый случай от начала до конца, независимо назначая полный набор кодов во всех специализациях. Каждый код связывается с точным формулированием в карте, поддерживающим его, включая обоснование и степень уверенности, что, по словам компании, создаёт след аудита и позволяет выполнить проверку за секунды.

Системы здравоохранения задают операционные границы. Клиенты определяют пороги, правила сервисных линий, микс плательщиков и выборку аудита, и система кодирует только то, что организация одобрила к кодированию, с встроенными ICD-10-CM/PCS. Платформа работает совместно с существующими системами электронных медицинских записей и биллинга, поэтому переход к автономии не требует их замены. Кодирование происходит при выписке, когда карта закрывается; AKASA утверждает, что это снижает объём выписанных, но не окончательно закодированных (DNFC) записей, уменьшает срок дебиторской задолженности и ускоряет сбор средств без увеличения численности персонала.

AKASA заявила, что протестировала систему с помощью слепых оценок сторонних организаций, в которых её ИИ и опытные человеческие кодировщики кодировали одни и те же внутрибольничные случаи, охватывающие от 65 % до 85 % объёма госпитализаций в большинстве систем здравоохранения. Независимые оценщики, не зная, принадлежит ли набор кодов ИИ или человеку, обнаружили, что ИИ сопоставим или превосходит экспертов по ключевым показателям точности, о чём сообщила компания: назначение MS‑DRG, основной диагноз, захват клинического качества и точность «present‑on‑admission». AKASA сообщила, что ИИ завершает кодирование менее чем за 90 секунд после выписки, и позиционирует продукт как первое автономное решение, специально разработанное для внутрибольничного кодирования.

CDI, развертывание и первая реакция

Помимо кодирования, AKASA расширяет платформу вверх по потоку в CDI, описывая единый слой ИИ, охватывающий клиническую документацию, кодирование и предварительный обзор счетов, с целью поддерживать полную документацию. Компания заявила, что при развертывании автономного среднего этапа она будет работать с системами здравоохранения над индивидуальными планами внедрения для масштабирования автономного объёма в зависимости от потребностей, а также в ближайшее время добавит в платформу случаи обслуживания в амбулаторных учреждениях.

Согласно объявлению, Cleveland Clinic использовала продукты AKASA для предварительного обзора счетов в области кодирования и CDI и планирует изучить предложения автономного среднего этапа. “Наша работа с циклом доходов особенно трудоёмка, потому что мы обслуживаем множество медицински сложных пациентов”, — сказал Рохит Чандра, главный цифровой директор Cleveland Clinic. “С автономным кодированием мы стремимся повысить скорость и точность этих сложных процессов, придерживаясь подхода, в котором соблюдение нормативов стоит на первом месте”.

Jeff Francis, финансовый директор и вице‑президент по финансам в Nebraska Methodist Health System, который сотрудничает с AKASA уже несколько лет, описал автономию как естественный следующий шаг для систем здравоохранения, указав на целостность доходов, отказы, списания и то, насколько быстро его организация получает оплату. Джули Ю, генеральный партнер Andreessen Horowitz, заявила, что здравоохранение не сможет удовлетворить масштаб будущего спроса только человеческим трудом, и охарактеризовала технологию AKASA как передовой ИИ, созданный для специфических требований сложной клинической документации и кодирования пациентов в стационаре.

AKASA заявила, что её настраиваемые модели обучаются на собственной клинической документации, составе случаев и решениях по кодированию каждой системы здравоохранения, а её решения варьируются от ИИ, поддерживающего команды CDI и кодирования, до полностью автономных рабочих процессов, которые кодируют случаи от начала до конца.