تحليل بلو كروس يربط الترميز المستند إلى الذكاء الاصطناعي بزيادة تكاليف المستشفيات بمقدار 942 مليون دولار لعامي 2024‑2025

أصدرت جمعية بلو كروس بلو شيلد (BCBSA) تحليلًا يحدد الأثر المالي لأدوات الترميز المعتمدة على الذكاء الاصطناعي المستخدمة في المستشفيات. ووفقًا للتقرير، فإن نشر أنظمة الترميز المدعومة بالذكاء الاصطناعي أسفر عن ما يقدر بـ 942 مليون دولار من النفقات الإضافية خلال الفترة 2024‑2025 مقارنةً بقاعدة 2023.

يقيس التحليل نمو التكاليف من خلال مقارنة نسبة الإقامات المستشفوية المصنفة على أنها "معقدة". وفي خطط أعضاء BCBSA، ارتفعت نسبة القبولات المعقدة من 37 % في بداية 2023 إلى 40 % بنهاية 2025. وهذا التحول وحده يفسر جزءًا كبيرًا من الزيادة المبلغ عنها.

كيف يدفع الذكاء الاصطناعي إلى إعادة تصنيف المطالبات بأسعار أعلى

أحد المحركات المركزية التي حددتها BCBSA هو إعادة تصنيف نحو 55 000 مطالبة إلى فئات دفع ذات معدلات أعلى. تنبع هذه العملية من التشخيصات الثانوية التي اكتشفها الذكاء الاصطناعي في سجلات المرضى. وأسهمت هذه المطالبات ذات الأسعار المرتفعة بحوالي 653 مليون دولار من الإجمالي، أي ما يعادل تقريبًا 11 000 دولار من التكلفة الإضافية لكل حالة معقدة إضافية.

تشمل الأدوات التي أشار إليها التقرير فئتين رئيسيتين. الأولى هي محركات التحليل التي تفحص السجلات الطبية القائمة لتكشف عن تشخيصات مهملة. والثانية هي "الكتّاب البيئيون" الذين يلتقطون المحادثات السريرية في الوقت الفعلي وينتجون ملاحظات سريرية منظمة تلقائيًا، مما يزيد من احتمال توثيق الحالات الثانوية وفوترة تلك التشخيصات.

التفاوت بين شدة الترميز والرعاية الفعلية

تشير BCBSA إلى وجود فجوة بين الارتفاع في الترميز المعقد وتوافر العلاجات المقابلة. على سبيل المثال، ارتفعت نسبة الإجراءات المعوية الكبرى المصنفة بأعلى مستوى من التعقيد من 10.2 % إلى 22.7 % من تلك الحالات، دون أن يصاحب ذلك زيادة مماثلة في عدد هذه الإجراءات الفعلية.

وبالمثل، فإن المرضى الذين تم تشخيصهم بفقر الدم تلقوا نقل دم بنسبة أقل—16.9 % مقارنةً بـ 19.3 % في المستشفيات التي لم تشهد نفس الارتفاع في الترميز. وتُظهر هذه الملاحظات أن شدة الترميز قد تتجاوز شدة الرعاية الفعلية المقدمة.

حجج المستشفيات

تعارض المستشفيات التفسير القائل إن ترميز الذكاء الاصطناعي يرفع التكاليف دون مبرر سريري. وتستند إلى تحولات ديموغرافية، مشيرة إلى أن المرضى أصبحوا أكبر سنًا وأكثر مرضًا. وفقًا لتحليل أجرته الجمعية الأمريكية للمستشفيات وVizient، ارتفع مؤشر مزيج الحالات بنحو 5 % بين 2019 و2024، مما يدل على زيادة حقيقية في تعقيد الحالات.

من منظور المستشفى، تُظهر أدوات الذكاء الاصطناعي فقط الحالات التي كانت موجودة مسبقًا ولكنها لم تُوثق. وتدعي المستشفيات أن التقنية تُحسّن اكتمال التشخيص بدلاً من خلق فرص فواتير اصطناعية.

قيود منهجية BCBSA

تكمن إحدى القيود الأساسية لتقرير BCBSA في اعتماده الحصري على بيانات الفوترة. لا يدمج التحليل مراجعات السجلات أو تحققًا سريريًا مباشرًا من التشخيصات الثانوية التي حدّدها الذكاء الاصطناعي. يجادل النقاد بأنه بدون توثيق من السجلات الطبية، لا يمكن الجزم ما إذا كانت التشخيصات الثانوية تعكس أمراضًا حقيقية أم أنها نتيجة ترميز مفرط مدفوع بالتقنية.

وبما أن الدراسة تفتقر إلى تفاصيل سريرية على مستوى المريض، ينبغي اعتبار رقم الـ 942 مليون دولار تقديرًا مبنيًا على اتجاهات الترميز المالي وليس مقياسًا نهائيًا للإنفاق غير الضروري.

آثار غير مؤكدة على المدى الطويل

لا يقدّر التقرير كيفية توزيع التكاليف الإضافية على أقساط التأمين، الخصومات، أو الإنفاق الصحي العام. وبالتالي يبقى الأثر المالي على حاملي الوثائق الفردية وعلى البرامج الحكومية غير معروف.

• محركات تحليل الذكاء الاصطناعي التي تفحص السجلات القائمة للعثور على تشخيصات مفقودة
• أنظمة الكتابة البيئية التي تُنتج ملاحظات سريرية من اللقاءات المنطوقة
• إعادة تصنيف نحو 55 000 مطالبة إلى فئات دفع ذات معدلات أعلى
• ارتفاع حصة الحالات المعقدة من 37 % إلى 40 % خلال عامين

تشير ملاحظات تحليل BCBSA إلى أن تكلفة 11 000 دولار لكل حالة معقدة إضافية هي متوسط مستمد من إجمالي تأثير إعادة التصنيف. يجمع هذا الرقم مجموعة واسعة من التشخيصات والإجراءات، بعضها قد يحمل معدلات تعويض أعلى من غيرها.

نظرًا لاعتماده على بيانات الفوترة، لا يستطيع التحليل التمييز بين الفروق السريرية المشروعة التي يلتقطها الذكاء الاصطناعي وبين الترميز المفرط المنهجي. يبرز هذا الغموض الحاجة إلى تدقيقات سريرية مكملة للتحقق من صحة الحالات المشفّرة.

تشمل الآثار العملية للمنظمات ضرورة موازنة مكاسب الكفاءة التي يوفرها الترميز المدعوم بالذكاء الاصطناعي مع أطر حوكمة قوية. قد تحتاج مقدمو الرعاية الصحية إلى تنفيذ عمليات تحقق مستقلة، مثل مراجعات دورية للسجلات، لضمان أن التشخيصات الثانوية التي يحددها الذكاء الاصطناعي تتطابق مع الحالات الموثقة في سجلات المرضى.

ينبغي على شركات التأمين والجهات الدافعة مراقبة أنماط المطالبات بحثًا عن ارتفاعات غير متوقعة في الترميز المعقد وتقييم ما إذا كانت الأدلة السريرية المقابلة تدعم التعويض المتزايد. يمكن أن تساعد آليات الإبلاغ الشفاف بين المستشفيات وموردي الذكاء الاصطناعي والجهات الدافعة في التخفيف من خطر تضخم التكاليف غير المقصود.

أخيرًا، قد يتعين على صانعي السياسات تقييم ما إذا كانت هياكل الرقابة على الترميز الحالية كافية لبيئة يزداد فيها تأثير الذكاء الاصطناعي على الوثائق. قد يصبح من الضروري تعديل بروتوكولات التدقيق أو وضع إرشادات امتثال خاصة بالذكاء الاصطناعي للحفاظ على نزاهة نظام الفوترة مع الاستفادة من اكتمال التشخيص الذي يَعِده الذكاء الاصطناعي.