AKASA introducerar autonom AI för inläggningskodning och klinisk dokumentation

AKASA den 2 oktober 2026 annonserade lanseringen av en autonom AI-plattform för mellancykeln i sjukvårdens intäktscykel, vilket utvidgar det i South San Francisco belägna företaget från AI‑drivet förhandsgranskningsgranskning till autonom inläggningsmedicinsk kodning och klinisk dokumentationsintegritet (CDI).

AKASA, som beskriver sig själv som en ledare inom generativ AI för sjukvårdens intäktscykel, uppgav att deras kunder representerar mer än $180 billion i samlad netto patientintäkt och ungefär 10 % av de amerikanska inläggningsutläggen, cirka 1 på 10. Företaget sade att inläggningsvolymen som bearbetats genom deras AI‑produkter hade ökat nästan sexfaldigt under året före lanseringen, och tillskrev expansionen av deras kundbas inom vårdsystem till dessa produkter.

AKASA uppgav att de finjusterar AI‑modeller för enskilda vårdsystem, med hänsyn till skillnader i patientpopulationer, kliniska kriterier, dokumentationspraxis och vårdkomplexitet, ett tillvägagångssätt som företaget menar stödjer fullständig dokumentation och korrekt kodning som bättre speglar den levererade vården. VD och medgrundare Malinka Walaliyadde beskrev lanseringen som ett branschmäte. “I åratal har en autonom mellancykel varit en helig graal i vår bransch,” sade han. “Idag gör AKASA den verklig.”

Varför automatisering av mellancyklusen har varit svår

Mellancykeln är den fas i intäktscykeln där en patients kliniska journal översätts från dokumentation till de koder som styr ersättning, kvalitetsrapportering, riskjustering och journalens integritet. Meddelandet beskriver detta arbete som mycket komplext och resurskrävande, och fortfarande huvudsakligen manuellt.

Den komplexiteten, enligt företaget, har gjort pålitlig automatisering svår. Meddelandet hänvisar till en peer‑review‑studie från 2025 i npj Health Systems som rapporterade felaktighetsnivåer i medicinsk kodning på upp till 20 %, samt till en granskning från juli 2026 av den amerikanska Government Accountability Office som identifierade verifierbar noggrannhet som en central utmaning för vårdorganisationer som inför AI för medicinska anteckningar och kodning.

Enligt företaget tar en kodare vanligtvis 30 till 60 minuter att koda ett enskilt inläggningsmöte, och personalbrist samt kapacitetsbegränsningar kan leda till att vårdsystem väntar flera dagar efter en patients utskrivning innan en kodare ens påbörjar ärendet. AKASAs produktmaterial beskriver den nuvarande intervallet från utskrivning till kodning som tre till fyra dagar, jämfört med 90 sekunder med deras system.

Hur den autonoma kodningsplattformen fungerar

Enligt AKASAs autonom inläggningskodningsdokumentation läser systemet hela patientjournalen (utskrivningssammanfattningar, operationsanteckningar, progressanteckningar, konsultationer, laboratorieprover, bilddiagnostik och läkemedel) och hanterar varje möte från början till slut, och tilldelar hela koduppsättningen oberoende över alla specialiteter. Varje kod länkar tillbaka till den exakta journaltexten som stöder den, med den bakomliggande logiken och förtroendet, vilket företaget menar skapar ett revisionsspår och gör validering på några sekunder.

Vårdsystemen sätter de operativa gränserna. Kunderna definierar tröskelvärden, tjänstelinjeregler, betalarmix och revisionsurval, och systemet kodar endast det som organisationen har godkänt att koda, med ICD‑10‑CM/PCS inbyggt. Plattformen fungerar tillsammans med befintliga elektroniska journalsystem och faktureringssystem, så övergången till autonomi kräver ingen ersättning av dem. Kodning sker vid utskrivning, när journalen stängs; AKASA påstår att detta minskar volymen av utskrivna‑men‑inte‑slutligt‑kodade (DNFC), reducerar dagar för kundfordringar och påskyndar kontantinsamling utan att öka personalstyrkan.

AKASA uppgav att de testade systemet genom tredjepartsblinda utvärderingar där deras AI och erfarna mänskliga kodare kodade samma inläggningsmöten, vilket motsvarade 65 % till 85 % av inläggningsvolymen hos de flesta vårdsystem. Oberoende granskare, som inte fick veta om varje koduppsättning kom från AI:n eller en människa, fann att AI:n matchade eller överträffade expertkodare på viktiga noggrannhetsmått, rapporterade företaget: MS‑DRG‑tilldelning, huvuddiagnos, klinisk kvalitetsfångst och korrekthet för närvaro vid inläggning. AKASA sade att AI:n slutför kodning på mindre än 90 sekunder efter utskrivning, och marknadsför produkten som den första autonoma lösningen som är specifikt byggd för inläggningskodning.

CDI, implementering och tidig respons

Utöver kodning utökar AKASA plattformen uppströms till CDI och beskriver ett enhetligt AI‑lager över klinisk dokumentation, kodning och förhandsgranskning som syftar till att hålla dokumentationen komplett. Företaget sade att när de rullar ut den autonoma mellancykeln kommer de att samarbeta med vårdsystemen kring skräddarsydda implementeringsplaner för att skala den autonoma volymen efter behov, och att de snart kommer att introducera möten för öppenvårdsenheter till plattformen.

Cleveland Clinic har använt AKASAs produkter för förhandsgranskning inom både kodning och CDI och avser att utforska de autonoma mellancykel‑erbjudandena, enligt meddelandet. “Vårt arbete med intäktscykeln är särskilt tidskrävande eftersom vi vårdar många medicinskt komplexa patienter,” sade Rohit Chandra, chef för digitala affärer på Cleveland Clinic. “Med autonom kodning vill vi förbättra hastighet och precision i dessa utmanande processer under ett compliance‑först‑tillvägagångssätt för detta arbete.”

Jeff Francis, finanschef och vice president för finans på Nebraska Methodist Health System, som har samarbetat med AKASA i flera år, beskrev autonomi som det naturliga nästa steget för vårdsystem och pekade på intäktsintegritet, avslag, avskrivningar och hur snabbt hans organisation får betalt. Julie Yoo, en general partner på Andreessen Horowitz, sade att sjukvården inte kan möta den framtida efterfrågeökningen enbart med mänsklig arbetskraft, och beskrev AKASA:s teknik som frontier AI byggd för de specifika kraven på komplex klinisk dokumentation och sjukhuskodning.

AKASA sade att dess skräddarsydda modeller tränas på varje vårdsystems egna kliniska dokumentation, patientmix och kodningsbeslut, och att dess lösningar sträcker sig från AI som stödjer CDI- och kodningsteam till helt autonoma arbetsflöden som kodar möten från början till slut.