هوش مصنوعی چگونه هزینه‌های بیمه درمانی در آمریکا را یک میلیارد دلار افزایش داد؟

در حالی که بسیاری از مدیران فناوری انتظار داشتند هوش مصنوعی هزینه‌های سرسام‌آور سیستم بهداشت و درمان را کاهش دهد، داده‌های جدید نشان می‌دهد که این فناوری در حال حاضر نتیجه معکوسی به همراه داشته است. بر اساس مطالعه‌ای که روز پنجشنبه، ۲۴ سپتامبر ۲۰۲۶، توسط انجمن صلیب آبی و سپر آبی (BCBSA) منتشر شد، استفاده از ابزارهای هوش مصنوعی توسط ارائه‌دهندگان خدمات درمانی، هزینه‌های بیمه را در دو سال گذشته نزدیک به ۹۴۲ میلیون دلار افزایش داده است.[1][2]

این افزایش هزینه ناشی از نحوه عملکرد سیستم‌های جدید ثبت و کدگذاری است. در حال حاضر بیش از ۶۰ درصد از سیستم‌های بیمارستانی در ایالات متحده از ابزارهای هوش مصنوعی، از جمله دستیارهای صوتی محیطی (Ambient Scribes) و نرم‌افزارهای تحلیلگر پرونده، استفاده می‌کنند. این سیستم‌ها به صورت منفعلانه مکالمات بین پزشک و بیمار را گوش می‌دهند یا نتایج آزمایشگاهی را اسکن می‌کنند تا به طور خودکار بیماری‌های ثانویه یا شرایط همزمان را شناسایی و در پرونده الکترونیک سلامت ثبت کنند.[2]

در سیستم پیچیده صورت‌حساب‌های پزشکی، ثبت یک بیماری ثانویه می‌تواند یک ویزیت ساده را به دسته‌بندی «مراقبت‌های پیچیده‌تر» منتقل کند که به معنای الزام پرداخت مبالغ بسیار بالاتر توسط شرکت‌های بیمه است. مطالعه BCBSA نشان می‌دهد که بین سال‌های ۲۰۲۳ تا ۲۰۲۵، صورت‌حساب‌های مربوط به شرایط ثانویه به شدت افزایش یافته و به تنهایی بیش از ۶۵۰ میلیون دلار (تقریباً ۷۰ درصد از کل هزینه‌های اضافی) هزینه برای شرکت‌های بیمه به همراه داشته است.[1][2]

شرکت‌های بیمه معتقدند که این افزایش پیچیدگی در پرونده‌ها، بازتاب‌دهنده وخیم‌تر شدن واقعی وضعیت بیماران نیست. به عنوان مثال، در بیمارانی که تحت جراحی‌های بزرگ روده قرار گرفته‌اند، ثبت شرایط ثانویه‌ای مانند انسداد جزئی روده ۵۵ درصد و اضافه بار اسید در بدن ۳۳ درصد افزایش یافته است، اما درمان‌های متناسب با آن افزایشی نداشته است.

لوک چالکر (Luke Chalker)، معاون ارشد محصول و علوم داده در BCBSA، در این باره می‌گوید: «عدم تطابق بین تشخیص‌ها و درمان نشان می‌دهد که هوش مصنوعی در حال شناسایی شرایط بیشتر برای صدور صورت‌حساب است، نه بیماران بدحال‌تر.»[2]

در سوی دیگر این مناقشه، بیمارستان‌ها و گروه‌های صنعتی از این فناوری دفاع می‌کنند. آن‌ها استدلال می‌کنند که ابزارهای هوش مصنوعی صرفاً دقت کدگذاری را بالا برده‌اند و شرایطی را که پیش از این توسط پزشکان پرمشغله نادیده گرفته می‌شد، به درستی ثبت می‌کنند. از دیدگاه ارائه‌دهندگان خدمات، این فناوری یک وزنه تعادل ضروری در برابر رد مکرر و تهاجمی ادعاهای مالی توسط شرکت‌های بیمه است و تضمین می‌کند که بیمارستان‌ها برای تمام زحمات خود پول دریافت کنند.[1]

این پویایی، پیامدهای مالی گسترده‌ای برای شبکه‌ای متشکل از ۳۱ شرکت بیمه مستقل زیر چتر BCBSA دارد که بیش از ۱۰۰ میلیون نفر را در سراسر آمریکا پوشش می‌دهند. افزایش هزینه‌های پرداختی توسط بیمه‌ها در نهایت می‌تواند به شکل حق بیمه‌های بالاتر به کارفرمایان و خانواده‌ها منتقل شود، روندی که با وعده‌های اولیه شرکت‌های فناوری مبنی بر ارزان‌تر شدن خدمات درمانی در تضاد است.[2][3]

این تقابل نشان‌دهنده یک چالش اساسی در اقتصاد سلامت است. تا زمانی که سیستم پرداخت بر اساس تعداد خدمات (Fee-for-Service) پابرجا باشد، ابزارهایی که می‌توانند کدهای بیشتری را استخراج کنند، به طور طبیعی هزینه‌ها را افزایش خواهند داد. پرسش بی‌پاسخ این است که آیا نهادهای نظارتی می‌توانند قوانین جدیدی برای تفکیک «کدگذاری دقیق‌تر» از «بیش‌برآورد هزینه‌ها» وضع کنند، یا این روند به افزایش حق بیمه برای همه شهروندان منجر خواهد شد.[1][2][3]

این پویایی، پیامدهای مالی گسترده‌ای برای شبکه‌ای متشکل از ۳۱ شرکت بیمه مستقل زیر چتر BCBSA دارد که بیش از ۱۰۰ میلیون نفر را در سراسر آمریکا پوشش می‌دهند. افزایش هزینه‌های پرداختی توسط بیمه‌ها در نهایت می‌تواند به شکل حق بیمه‌های بالاتر به کارفرمایان و خانواده‌ها منتقل شود، روندی که با وعده‌های اولیه شرکت‌های فناوری مبنی بر ارزان‌تر شدن خدمات درمانی در تضاد است.[2][3]

این تقابل نشان‌دهنده یک چالش اساسی در اقتصاد سلامت است. تا زمانی که سیستم پرداخت بر اساس تعداد خدمات (Fee-for-Service) پابرجا باشد، ابزارهایی که می‌توانند کدهای بیشتری را استخراج کنند، به طور طبیعی هزینه‌ها را افزایش خواهند داد. پرسش بی‌پاسخ این است که آیا نهادهای نظارتی می‌توانند قوانین جدیدی برای تفکیک «کدگذاری دقیق‌تر» از «بیش‌برآورد هزینه‌ها» وضع کنند، یا این روند به افزایش حق بیمه برای همه شهروندان منجر خواهد شد.[1][2][3]