블루크로스 분석, AI 기반 병원 코딩이 2024‑2025년에 9억 4천2백만 달러 추가 비용 초래

블루크로스 블루쉴드 협회(BCBSA)는 병원에서 사용되는 인공지능(AI) 코딩 도구가 재정에 미치는 영향을 정량화한 분석을 발표했습니다. 보고서에 따르면, AI 지원 코딩 시스템을 도입함으로써 2024‑2025년 기간 동안 2023년 기준과 비교해 약 9억 4천2백만 달러의 추가 지출이 발생한 것으로 추정됩니다.

이 분석은 ‘복잡한’ 입원 비율을 비교하여 비용 증가를 측정했습니다. BCBSA 회원 플랜에서 복잡한 입원의 비중은 2023년 초 37 %에서 2025년 말 40 %로 상승했으며, 이 변화만으로도 보고된 비용 증가의 큰 부분을 차지합니다.

AI가 높은 청구 재분류를 촉진하는 방식

BCBSA가 확인한 주요 원인 중 하나는 약 55 000건의 청구가 더 높은 요율의 지급 카테고리로 재분류된 것입니다. 이러한 재분류는 AI 시스템이 환자 기록에서 발견한 2차 진단 때문이며, 고가 청구는 전체 비용 중 약 6억 5천3백만 달러를 차지해 복잡한 사례당 평균 11 000달러에 달하는 추가 비용을 발생시켰습니다.

보고서에 언급된 AI 도구는 크게 두 가지 범주로 나뉩니다. 첫째, 분석 엔진은 기존 의료 기록을 스캔해 놓친 진단을 찾아냅니다. 둘째, ‘환경 필기자(ambient scribe)’는 실시간 임상 대화를 포착해 구조화된 임상 노트를 자동으로 생성함으로써 2차 질환이 문서화되고 청구될 가능성을 높입니다.

코딩 강도와 실제 치료 사이의 불일치

BCBSA는 복잡한 코딩 증가와 이에 상응하는 치료량 사이에 괴리가 있다고 지적합니다. 예를 들어, 가장 높은 복잡도 수준으로 코딩된 주요 장 절차는 10.2 %에서 22.7 %로 증가했지만, 실제 해당 절차가 수행된 비율은 동반 상승하지 않았습니다.

마찬가지로, 빈혈 진단을 받은 환자 중 혈액 수혈을 받은 비율은 코딩 상승이 없는 병원에서는 19.3 %였던 반면, 코딩이 증가한 병원에서는 16.9 %에 불과했습니다. 이러한 관찰은 코딩 강도가 실제 제공된 치료 강도보다 앞서 나갈 수 있음을 시사합니다.

병원의 반론

병원 측은 AI 코딩이 임상적 정당성 없이 비용을 부풀린다는 해석에 반박합니다. 그들은 인구통계학적 변화를 강조하며, 환자들이 점점 나이 들고 병이 심각해지고 있다고 주장합니다. 미국 병원 협회와 Vizient가 수행한 분석에 따르면 2019년부터 2024년까지 사례 혼합 지수가 약 5 % 상승했으며, 이는 실제 사례 복잡도가 증가했음을 나타냅니다.

병원 입장에서는 AI 도구가 기존에 존재했지만 기록되지 않았던 상태를 드러내는 역할을 할 뿐이라고 설명합니다. 기술이 청구 기회를 인위적으로 창출하기보다 진단 완전성을 향상시킨다는 것이 그들의 주장입니다.

BCBSA 방법론의 한계

BCBSA 보고서의 주요 한계는 청구 데이터에만 의존한다는 점입니다. 분석은 차트 리뷰나 AI가 표시한 추가 진단에 대한 직접적인 임상 검증을 포함하지 않았습니다. 비평가들은 의료 기록 검증 없이 2차 진단이 실제 병리학적 상태를 반영하는지, 아니면 기술에 의한 과다 코딩인지 판단할 수 없다고 주장합니다.

연구가 환자 수준의 임상 세부 정보를 결여하고 있기 때문에, 보고된 9억 4천2백만 달러 수치는 재정 코딩 추세에 기반한 추정치로 보아야 하며, 불필요한 지출을 정확히 측정한 수치는 아닙니다.

불확실한 하위 효과

보고서는 추가 비용이 보험료, 공제액 또는 공공 보건 지출에 어떻게 배분될지 추정하지 않았습니다. 따라서 개별 보험 가입자와 정부 프로그램에 미치는 재정적 영향은 아직 알려지지 않았습니다.

• 누락된 진단을 찾는 AI 분석 엔진
• 음성 대화를 기반으로 임상 노트를 생성하는 환경 필기자 시스템
• ~55 000건의 청구를 고액 지급 카테고리로 재분류
• 2년 동안 복잡한 사례 비중이 37 %에서 40 %로 상승

BCBSA 분석은 또한 추가 복잡 사례당 평균 11 000달러의 비용 증가가 전체 재분류 영향에서 도출된 평균값이라고 지적합니다. 이 수치는 다양한 진단과 절차를 포괄하며, 일부는 다른 것보다 높은 보상율을 가질 수 있습니다.

청구 데이터에만 의존하기 때문에, 분석은 AI가 포착한 정당한 임상 뉘앙스와 잠재적 체계적 과다 코딩을 구분하지 못합니다. 이러한 불확실성은 AI가 식별한 2차 진단이 실제 환자 기록에 존재하는지를 확인하기 위한 임상 감시가 필요함을 강조합니다.

조직에 대한 실질적 시사점은 AI 코딩의 효율성 향상과 견고한 거버넌스 프레임워크 간의 균형을 유지해야 한다는 점입니다. 의료 제공자는 독립적인 검증 절차—예를 들어 정기적인 차트 리뷰—를 도입해 AI가 식별한 2차 진단이 실제 환자 상태와 일치하는지 확인해야 합니다.

보험사와 지불자는 복잡 코딩 급증에 대한 청구 패턴을 모니터링하고, 해당 보상이 임상 증거와 일치하는지 평가해야 합니다. 병원, AI 공급업체, 지불자 간의 투명한 보고 메커니즘은 우발적 비용 인플레이션 위험을 완화하는 데 도움이 될 수 있습니다.

마지막으로 정책 입안자는 AI가 문서화에 점점 더 큰 영향을 미치는 환경에서 기존 코딩 감시 체계가 충분한지 평가해야 할 필요가 있습니다. 감사 프로토콜을 조정하거나 AI 전용 준수 지침을 개발하는 것이 청구 시스템의 무결성을 유지하면서 AI가 제공하는 진단 완전성을 활용하는 데 필요할 수 있습니다.