Sağlık
AKASA, Yatan Hasta Kodlaması ve Klinik Belgelendirme için Otonom AI Sunuyor

Öne çıkan noktalarAKASA, otonom platformunun yatan hasta karşılaşmalarını günler yerine 90 saniyede…
Daha fazla göster
- AKASA, otonom platformunun yatan hasta karşılaşmalarını günler yerine 90 saniyede kodladığını iddia ediyor.
- Sistem yalnızca her sağlık sisteminin onayladığı sınırlar içinde kodlama yapar ve her kodu destekleyici hasta dosyası ifadesine bağlar.
- Körlemesine inceleme yapan değerlendiriciler, AKASA'nın yapay zekâsının temel yatan hasta doğruluk ölçütlerinde uzman kodlayıcılarla eşleştiğini veya onları aştığını buldu.
AKASA, 2 Ekim 2026 tarihinde sağlık gelir döngüsünün orta aşaması için otonom bir AI platformunun lansmanını duyurdu; böylece South San Francisco merkezli şirket, AI destekli ön fatura incelemesinden otonom yatan hasta tıbbi kodlamasına ve klinik belgelendirme bütünlüğüne (CDI) doğru genişledi.
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 yatan hasta 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 yatan hasta vakasını kodlamak için 30 ila 60 dakika harcıyor ve iş gücü eksikliği ve kapasite kısıtlamaları, hastanın taburculuğundan sonra kodlayıcının hesap üzerinde çalışmaya başlaması için 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 yatan hasta kodlama belgelendirmesine göre, sistem tam hasta dosyasını (taburculuk özetleri, operasyon notları, ilerleme notları, konsültasyonlar, laboratuvar sonuçları, görüntüleme ve ilaçlar) okur ve her hasta başvurusunu baştan sona işler, tüm uzmanlıklar arasında tam kod setini bağımsız olarak atar. Her kod, onu destekleyen tam dosya diline, gerekçesine ve güven düzeyine 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 yatan hasta vakalarını kodladı ve bu, çoğu sağlık sisteminde yatan hasta hacminin %65 ila %85’ini temsil ediyor. Bağımsız gözden geçirenler, her kod setinin AI tarafından mı yoksa insan tarafından mı oluşturulduğunu 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 yatan hasta 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 sağlık hizmeti verilen tesislerdeki hasta başvurularını 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.”
AKASA ile birkaç yıldır çalışan Nebraska Methodist Health System’in CFO’su ve finanstan sorumlu başkan yardımcısı Jeff Francis, gelir bütünlüğüne, ödeme taleplerinin reddine, alacakların silinmesine ve kurumunun ne kadar hızlı ödeme aldığına dikkat çekerek otonomiyi sağlık sistemleri için doğal bir sonraki adım olarak tanımladı. 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 yatan hasta kodlamasının özel gereksinimleri için inşa edilmiş bir ileri düzey 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, hasta başvurularını uçtan uca kodlayan tamamen özerk iş akışlarına kadar çeşitlilik gösterdiğini belirtti.












