AKASA, Hasta İçi Kodlama ve Klinik Belgelendirme için Otonom AI Sunuyor

AKASA, 2 Ekim 2026 tarihinde duyurdu sağlık gelir döngüsünün orta aşaması için otonom bir AI platformunun lansmanını, South San Francisco şirketini AI destekli ön fatura incelemesinden otonom hasta içi tıbbi kodlama ve klinik belgelendirme bütünlüğüne (CDI) genişletti.

AKASA, kendisini sağlık gelir döngüsü için üretken AI alanında bir lider olarak tanımlıyor, müşterilerinin toplam net hasta gelirinin 180 milyar doların üzerinde ve ABD hastane içi taburculuklarının yaklaşık %10’unu, yani yaklaşık 10’dan 1’ini temsil ettiğini söyledi. Şirket, AI ürünleriyle işlenen hasta içi hacminin lansmandan önceki yılda neredeyse 6 kat arttığını ve sağlık sistemi müşteri tabanının genişlemesinin bu ürünlere bağlandığını belirtti.

AKASA, AI modellerini bireysel sağlık sistemlerine göre ince ayar yaptığını, hasta popülasyonları, klinik kriterler, belgelendirme uygulamaları ve bakım karmaşıklığındaki farklılıkları dikkate aldığını, bu yaklaşımın tam belgelendirme ve sunulan bakımı daha iyi yansıtan doğru kodlamayı desteklediğini söyledi. CEO ve kurucu ortak Malinka Walaliyadde, lansmanı bir sektör dönüm noktası olarak nitelendirdi. “Yıllardır, otonom bir orta aşama sektörümüzde kutsal bir kase olmuştur,” dedi. “Bugün, AKASA bunu gerçeğe dönüştürüyor.”

Orta Aşama Otomasyonunun Zor Olmasının Sebepleri

Orta aşama, gelir döngüsünün, hastanın klinik kaydının belgelendirmeden geri ödeme, kalite raporlaması, risk ayarlaması ve hasta kaydının bütünlüğünü sağlayan kodlara dönüştürüldüğü aşamadır. Duyuru, bu çalışmayı son derece karmaşık ve kaynak yoğun olarak tanımlıyor ve hâlâ büyük ölçüde manuel olduğunu belirtiyor.

Şirket, bu karmaşıklığın güvenilir otomasyonu zorlaştırdığını söyledi. Duyuru, 2025 yılında npj Health Systems dergisinde yayımlanan ve tıbbi kodlama hata oranlarının %20’ye kadar çıktığını bildiren bir hakemli çalışmaya ve Temmuz 2026’da ABD Hükümet Sorumluluk Ofisi’nin, tıbbi notlar ve kodlama için AI benimseyen sağlık kuruluşları için doğrulanabilir doğruluğu merkezi bir zorluk olarak tanımlayan incelemesine işaret ediyor.

Şirkete göre, bir kodlayıcı genellikle tek bir hasta içi görüşmeyi kodlamak için 30 ila 60 dakika harcıyor ve iş gücü eksikliği ve kapasite kısıtlamaları, hastanın taburculuktan sonra kodlayıcının hesabı başlatmasından önce sağlık sistemlerinin birkaç gün beklemesine neden olabiliyor. AKASA’nın ürün materyalleri, taburculuktan kodlamaya geçen mevcut sürenin üç ila dört gün olduğunu, sistemleriyle ise 90 saniye olduğunu belirtiyor.

Otonom Kodlama Platformu Nasıl Çalışıyor

AKASA’nın otonom hasta içi kodlama belgelendirmesine göre, sistem tam hasta dosyasını (taburculuk özetleri, operasyon notları, ilerleme notları, konsültasyonlar, laboratuvar sonuçları, görüntüleme ve ilaçlar) okur ve her görüşmeyi baştan sona işler, tüm uzmanlıklar arasında tam kod setini bağımsız olarak atar. Her kod, onu destekleyen tam dosya diline, gerekçesine ve güvenine geri bağlanır; bu, şirketin bir denetim izi oluşturduğunu ve doğrulamanın saniyeler içinde gerçekleştiğini söylediği anlamına gelir.

Sağlık sistemleri işletme sınırlarını belirler. Müşteriler eşik değerleri, hizmet hattı kurallarını, ödeyici karışımını ve denetim örneklemesini tanımlar ve sistem, ICD-10-CM/PCS yerleşik olmak kaydıyla, kuruluşun onayladığı kodları yalnızca kodlar. Platform, mevcut elektronik sağlık kaydı ve faturalama sistemleriyle birlikte çalışır, bu nedenle otonomiye geçiş bu sistemlerin değiştirilmesini gerektirmez. Kodlama, dosya kapandığında, yani taburculukta gerçekleşir; AKASA, bunun taburcu-edilmiş-ama-son‑kodlanmamış (DNFC) hacmini azalttığını, alacak günlerini düşürdüğünü ve personel eklemeden nakit tahsilatını hızlandırdığını iddia ediyor.

AKASA, sistemini üçüncü taraf kör değerlendirmelerle test ettiğini söyledi; bu değerlendirmelerde AI’sı ve uzman insan kodlayıcıları aynı hasta içi görüşmeleri kodladı ve bu, çoğu sağlık sisteminde hasta içi hacmin %65 ila %85’ini temsil ediyor. Bağımsız gözden geçirenler, her kod setinin AI mı yoksa insan mı olduğunu bilmeden, AI’nın uzman kodlayıcılarla eşleştiğini ya da ana doğruluk ölçütlerinde onları aştığını buldu; şirketin rapor ettiği ölçütler: MS-DRG ataması, temel tanı, klinik kalite yakalama ve girişte mevcut olma doğruluğu. AKASA, AI’nın taburculuktan sonra kodlamayı 90 saniyeden az bir sürede tamamladığını ve ürünü özellikle hasta içi kodlama için inşa edilmiş ilk otonom çözüm olarak pazarladığını belirtti.

CDI, Dağıtım ve Erken Yanıt

Kodlamanın ötesinde, AKASA platformu CDI’ye doğru genişletiyor ve klinik belgelendirme, kodlama ve ön fatura incelemesi boyunca belgelerin tam olmasını sağlamak amacıyla birleşik bir AI katmanı tanımlıyor. Şirket, otonom orta aşamayı hayata geçirirken, sağlık sistemleriyle ihtiyaç bazlı otonom hacmi ölçeklendirmek için özelleştirilmiş dağıtım planları üzerinde çalışacağını ve yakında ayaktan hizmet tesis görüşmelerini platforma ekleyeceğini söyledi.

Cleveland Clinic, AKASA’nın kodlama ve CDI kapsamında ön fatura inceleme ürünlerini kullandı ve duyuruya göre otonom orta aşama tekliflerini keşfetmeyi planlıyor. “Gelir döngüsü çalışmalarımız özellikle zaman alıcı çünkü birçok tıbben karmaşık hastaya bakıyoruz,” dedi Cleveland Clinic’ten baş dijital sorumlu Rohit Chandra. “Otonom kodlama ile bu zorlu süreçlerde hızı ve doğruluğu, öncelikli uyumluluk yaklaşımıyla artırmayı hedefliyoruz.”

Nebraska Methodist Health System’te CFO ve finans başkanı olan Jeff Francis, AKASA ile birkaç yıldır çalışan kurumun, özerkliği sağlık sistemleri için doğal bir sonraki adım olarak tanımladığını, gelir bütünlüğü, reddedilmeler, silinmeler ve organizasyonunun ne kadar hızlı ödeme aldığını göstererek belirtti. Andreessen Horowitz’ta genel ortak olan Julie Yoo, sağlık hizmetlerinin yalnızca insan gücüyle önümüzdeki talep ölçeğine ulaşamayacağını söyledi ve AKASA’nın teknolojisini karmaşık klinik dokümantasyon ve hasta içi kodlamanın özel gereksinimleri için inşa edilmiş bir sınır AI olarak nitelendirdi.

AKASA, özel modellerinin her sağlık sisteminin kendi klinik dokümantasyonu, vaka karışımı ve kodlama kararları üzerine eğitildiğini ve çözümlerinin CDI ve kodlama ekiplerini destekleyen AI’dan, karşılaşmaları uçtan uca kodlayan tamamen özerk iş akışlarına kadar çeşitlilik gösterdiğini belirtti.