AKASA ha lanciato una piattaforma di intelligenza artificiale autonoma dedicata alla fase intermedia del ciclo dei ricavi sanitari, estendendo le proprie tecnologie dalla revisione pre-fatturazione assistita dall’AI alla codifica medica autonoma dei ricoveri e alla Clinical Documentation Integrity (CDI). Il cosiddetto mid-cycle rappresenta la fase nella quale le informazioni contenute nella cartella clinica vengono trasformate nei codici utilizzati per determinare rimborsi, reporting sulla qualità, aggiustamento del rischio e corretta rappresentazione del percorso clinico del paziente. Si tratta di un’attività ancora prevalentemente manuale e particolarmente complessa nel settore ospedaliero, dove una singola degenza può generare una grande quantità di documentazione proveniente da medici, specialisti, laboratori e servizi diagnostici. AKASA afferma che il volume di ricoveri elaborato attraverso i propri prodotti di AI è cresciuto di quasi sei volte nell’ultimo anno e che i sistemi sanitari suoi clienti rappresentano complessivamente oltre 180 miliardi di dollari di ricavi netti da pazienti e circa il 10% delle dimissioni ospedaliere statunitensi, equivalenti approssimativamente a un ricovero su dieci.
La difficoltà nell’automatizzare completamente questo processo deriva soprattutto dalla necessità di ricostruire correttamente il quadro clinico partendo da informazioni distribuite in numerosi documenti e di trasformarlo in una codifica sufficientemente precisa da poter essere utilizzata direttamente nei processi amministrativi e finanziari. AKASA richiama in questo contesto uno studio peer-reviewed del 2025 che ha rilevato tassi di errore nella codifica medica fino al 20% e una revisione pubblicata nel luglio 2026 dal Government Accountability Office statunitense, nella quale la possibilità di verificare concretamente l’accuratezza viene indicata come una delle questioni centrali nell’adozione dell’AI per note mediche e codifica. A questo si aggiunge il problema della capacità operativa: secondo i dati indicati dall’azienda, un codificatore impiega normalmente tra 30 e 60 minuti per elaborare un singolo ricovero e la carenza di personale può fare trascorrere diversi giorni dalla dimissione prima che la pratica venga presa in carico. L’intervallo tipico tra dimissione e completamento della codifica viene quantificato in tre-quattro giorni, mentre il nuovo sistema è progettato per completare il processo in meno di 90 secondi.
La piattaforma analizza l’intera cartella del paziente, senza limitarsi a una selezione di documenti: vengono considerate lettere e riepiloghi di dimissione, note operatorie, note sull’avanzamento clinico, consulenze specialistiche, risultati di laboratorio, imaging, farmaci e le altre informazioni prodotte dai diversi professionisti coinvolti. Dopo avere ricostruito il contenuto dell’incontro ospedaliero, l’AI procede autonomamente dall’inizio alla fine e assegna l’intero insieme dei codici necessario, operando trasversalmente alle diverse specialità mediche anziché limitarsi alle casistiche più semplici. Il sistema integra la codifica ICD-10-CM/PCS ed è stato sviluppato specificamente per la complessità dei ricoveri ospedalieri, comprese diagnosi principali e secondarie, procedure, assegnazione MS-DRG e indicazione delle condizioni presenti al momento dell’ammissione.
Un elemento centrale dell’architettura riguarda la verificabilità del risultato. Ogni codice generato viene collegato direttamente al passaggio della cartella clinica che ne costituisce l’evidenza, accompagnandolo con la relativa motivazione e con un livello di confidenza. Il personale può quindi risalire dalla codifica alla documentazione che l’ha determinata senza dover ricostruire manualmente l’intero percorso decisionale, mentre il sistema produce contestualmente una traccia utilizzabile nelle successive attività di controllo e audit. AKASA sostiene che questa impostazione consenta di effettuare la validazione in pochi secondi e riduca il rischio che codici privi di sufficiente supporto documentale raggiungano la fase di fatturazione.
L’autonomia non comporta inoltre che il sistema possa decidere liberamente quali pratiche trattare. È la struttura sanitaria a stabilire i confini operativi definendo soglie, regole per le diverse linee di servizio, composizione dei payer e criteri di campionamento per gli audit. I modelli vengono adattati alle caratteristiche del singolo sistema sanitario e alle sue modalità di lavoro, tenendo conto della popolazione di pazienti, dei criteri clinici, delle pratiche di documentazione, della complessità assistenziale, del case mix, delle precedenti decisioni di codifica e degli standard adottati dall’organizzazione. L’AI esegue autonomamente soltanto le attività che la struttura ha autorizzato e può funzionare insieme agli Electronic Health Record e ai sistemi di fatturazione già presenti, senza richiedere la sostituzione completa dell’infrastruttura esistente.
La codifica viene eseguita al momento della dimissione, quando la cartella viene chiusa, invece di entrare in una coda che può richiedere giorni prima dell’intervento di un codificatore. Secondo AKASA, questo approccio può ridurre il volume DNFC, cioè Discharged Not Final Coded, diminuire i giorni di permanenza dei crediti nei conti da incassare e anticipare la fatturazione e quindi la riscossione, aumentando contemporaneamente la capacità disponibile senza dover incrementare proporzionalmente il personale. L’obiettivo operativo è anche quello di lasciare ai professionisti specializzati le casistiche che richiedono effettivamente un intervento umano, mentre una parte degli incontri può essere elaborata autonomamente dal sistema.
Per verificare le prestazioni della tecnologia, AKASA ha effettuato valutazioni in cieco affidate a terze parti. L’AI e codificatori umani esperti hanno elaborato gli stessi ricoveri, utilizzando categorie che nel loro insieme rappresentano normalmente tra il 65% e l’85% del volume ospedaliero dei sistemi sanitari. Revisori indipendenti, ai quali non veniva indicato se una determinata codifica fosse stata prodotta dall’intelligenza artificiale oppure da un professionista, hanno successivamente confrontato i risultati. Secondo quanto comunicato dall’azienda, il sistema ha eguagliato o superato i codificatori esperti nelle principali misure di accuratezza considerate, comprese l’assegnazione MS-DRG, l’identificazione della diagnosi principale, la corretta acquisizione degli elementi clinici rilevanti per gli indicatori di qualità e l’accuratezza delle condizioni presenti al momento del ricovero.
La piattaforma non si limita alla fase strettamente relativa alla codifica, perché AKASA sta estendendo lo stesso modello operativo verso monte attraverso le funzioni di Clinical Documentation Integrity. L’obiettivo è creare un unico livello di AI che attraversi documentazione clinica, CDI, codifica e revisione pre-fatturazione, mantenendo complete le informazioni necessarie lungo le diverse fasi del processo. La società prevede di concordare con ciascun sistema sanitario piani di implementazione personalizzati, aumentando progressivamente la quota di volume gestita autonomamente in funzione delle esigenze e dei controlli stabiliti dall’organizzazione. È inoltre prevista a breve l’estensione della piattaforma agli incontri ambulatoriali gestiti dalle strutture ospedaliere.
Tra le organizzazioni che già utilizzano tecnologie AKASA figura Cleveland Clinic, che ha adottato i prodotti di revisione pre-fatturazione nelle attività di codifica e CDI e intende esplorare anche le nuove soluzioni autonome per il mid-cycle, con particolare attenzione all’aumento della velocità e della precisione nei casi clinicamente complessi e a un’impostazione orientata alla compliance. Nebraska Methodist Health System lavora invece con AKASA da diversi anni e collega l’evoluzione verso l’autonomia a indicatori operativi quali integrità dei ricavi, dinieghi dei rimborsi, write-off e velocità di incasso. Con la nuova piattaforma, AKASA passa quindi da strumenti di AI destinati ad assistere i team di codifica e documentazione a workflow capaci di elaborare autonomamente un ricovero end-to-end, mantenendo configurabili i limiti operativi e rendendo disponibile per ogni codice l’evidenza clinica utilizzata per produrlo.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)