جنگ تمام‌عیار هوش مصنوعی در فاکتورهای درمانی؛ هزینه‌های میلیاردی که از جیب بیماران می‌رود!

هوش مصنوعی روزبه‌روز عمیق‌تر وارد پیچ‌وخم‌های سیستم درمانی پرهزینه و پیچیده می‌شود؛ اما این بار نه فقط برای کمک به پزشکان در تشخیص و درمان بیماری‌ها، بلکه برای این‌که تعیین کند بیمارستان چقدر فاکتور کند، بیمه چه مبلغی بپردازد و اصلاً کدام پرونده‌ها و درخواست‌ها رد شوند.

در تمام این مدت ادعا می‌شد که هوش مصنوعی ابزاری معجزه‌آسا برای افزایش بهره‌وری، کاهش بار اداری و در نهایت مهار تورم هزینه‌هاست؛ اما شواهد و نشانه‌های اولیه کاملاً برعکس این ادعا را نشان می‌دهند و این نگرانی جدی را به وجود آورده‌اند که این فناوری ممکن است سیستم درمانی گران‌قیمت فعلی را از این هم پرهزینه‌تر کند.

انجمن بزرگ بیمه‌ای «بلو کراس بلو شیلد» (BCBSA) اخیراً برآورد کرده که استفاده بیمارستان‌ها از ابزار‌های کدگذاری مبتنی بر هوش مصنوعی، بین سال‌های ۲۰۲۳ تا ۲۰۲۵ نزدیک به یک میلیارد دلار (دقیق‌تر بگوییم ۹۴۲ میلیون دلار) هزینه اضافی روی دست طرح‌های بیمه‌ای آن گذاشته است. به گفته این شرکت، بخش عمده این افزایش نجومی مربوط به «تشخیص‌های ثانویه» بوده؛ تشخیص‌هایی که بیمار را به دسته‌بندی‌های درمانی پرهزینه‌تر با بازپرداخت بالا‌تر منتقل می‌کند. مواردی که به گفته بیمه، «شاید صرفاً از روی یک شاخص ساده در آزمایش خون استخراج شوند و به همین دلیل، خوراکِ کشف و شناسایی توسط الگوریتم‌های هوش مصنوعی هستند!»

این یافته‌های تکان‌دهنده در شرایطی منتشر شده که بیمارستان‌ها، شرکت‌های بیمه و بخش‌های مختلف سیستم سلامت، بیش از هر زمان دیگری برای صدور صورت‌حساب، کدگذاری پزشکی و ارزیابی پرونده‌ها به هوش مصنوعی روی آورده‌اند. حالا این سؤال بزرگ مطرح شده که آیا اتوماسیون و کاهش بار کار‌های اداری، عملاً دارد همان مشوق‌های مالی بیمارستان‌ها برای فاکتورسازی سنگین‌تر را تشدید می‌کند؟

به گفته کریستوفر ویلی (Christopher Whaley)، اقتصاددان حوزه سلامت در دانشگاه براون که روی فرایند کدگذاری بیمارستانی تحقیق می‌کند: «هوش مصنوعی به ابزاری تبدیل شده که به همان انگیزه و اشتهای مالی نهفته در سیستم برای افزایش فاکتورها سرعت می‌بخشد و صید کردن این فرصت‌های مالی را برای بیمارستان‌ها به‌مراتب ساده‌تر می‌کند.»

ماجرا این نیست که تشخیص‌های ثانویه‌ای که هوش مصنوعی پیدا می‌کند لزوماً قلابی یا اشتباه باشند. ویلی توضیح می‌دهد: «در خیلی از موارد، این تشخیص‌ها کاملاً واقعی و درست هستند، فقط قبلاً کسی متوجه آن‌ها نمی‌شده و ثبت‌شان نمی‌کرده است.»

اما بخش دردسرساز ماجرا شرایطی است که به گفته او: «از نظر بالینی و پزشکی عملاً کوچک‌ترین اهمیتی ندارند و هیچ تغییری هم در روند درمان یا مراقبت از بیمار ایجاد نمی‌کنند؛ با این حال، پای یک کد پزشکی جدید را به پرونده باز می‌کنند و صورت‌حساب پرداختی را بالا می‌برند.»

یافته‌های غول بیمه بلو کراس درباره پیامدهای هوش مصنوعی

انجمن بلو کراس در تحلیل خود اعلام کرده که جهش در این به‌اصطلاح «کدگذاری‌های پیچیده»، درست در دوره‌ای رخ داده که ۶۰ درصد از بیمارستان‌ها شروع به استفاده از ابزار‌های هوش مصنوعی برای ثبت کد کرده‌اند. در این گزارش تأکید شده: «میان کدهای ثبت‌شده در فاکتور و روند واقعی درمان بیماران، یک گسست و فاصله کاملاً آشکار وجود دارد.»

لوک چالکر (Luke Chalker)، نایب‌رئیس ارشد بخش محصول و علم داده در بلو کراس، در مصاحبه‌ای اعلام کرد که حدود ۷۰ درصد از این صورت‌حساب‌های شناسایی‌شده (معادل ۶۵۳ میلیون دلار)، مربوط به تشخیص‌های اضافه‌ای بوده که هیچ تغییری در روند واقعی مراقبت و درمان بیمار در پی نداشته‌اند.

چالکر البته تمام تقصیر این افزایش هزینه را به گردن هوش مصنوعی نینداخت و گفت: «اگرچه عوامل متعددی در شدت گرفتن کدگذاری‌ها نقش دارند، اما شواهد و داده‌ها به وضوح نشان می‌دهند که ابزار‌های کدگذاری و مستندسازی مبتنی بر هوش مصنوعی نقشی کلیدی در این ماجرا ایفا می‌کنند.»

او تأکید کرد که مردم و بیماران کاملاً حق دارند نگران باشند؛ چرا که کدهای پیچیده‌تر، بدون این‌که خدمات درمانی بهتری ارائه شود، درآمد بیمارستان‌ها را بالا می‌برد: «این هزینه‌های اضافی در نهایت در قالب حق بیمه‌های سنگین‌تر و پرداخت‌های بیش‌تر از جیب خود بیماران ظاهر خواهند شد.»

طبق تازه‌ترین پیش‌بینی شرکت مشاوره مارش (Marsh)، میانگین هزینه پوشش درمانی به ازای هر کارمند در سال ۲۰۲۷ قرار است ۸.۲ درصد جهش پیدا کند؛ رقمی که بزرگ‌ترین افزایش هزینه از سال ۲۰۰۳ تا امروز به حساب می‌آید.

در طرف مقابل، انجمن بیمارستان‌های آمریکا (AHA) به‌شدت در برابر این گزارش موضع گرفت. سخنگوی این انجمن در بیانیه‌ای گفت: «بیماران امروزی مسن‌تر هستند و وضعیت بالینی پیچیده‌تری دارند؛ ابزار‌های هوش مصنوعی دقیقاً به مراکز درمانی کمک می‌کنند تا وضعیت واقعی بیماران را به درستی ثبت کنند و برای مراقبت از آن‌ها بهتر برنامه‌ریزی نمایند. گزارش بیمه فاقد بستر و بینش لازم برای بررسی تأثیر واقعی این ابزار‌ها بر کیفیت درمان، دسترسی بیماران و هزینه‌هاست.»

سخنگوی بیمارستان‌ها اضافه کرد: «بسیار نگران‌کننده است که شرکت‌های بیمه از کدگذاری بیمارستان‌ها ایراد می‌گیرند، در حالی که خودشان مرتباً به سیستم‌های خودکار برای کاهش رتبه کدها و رد غیرمنصفانه پرونده‌ها تکیه می‌کنند؛ اقداماتی که مانع از پوشش درمان‌های ضروری پزشکی می‌شود، بار سنگینی روی دوش کادر درمان می‌گذارد و با اتلاف منابع، هزینه‌ها را بالا می‌برد.»

چالکر در پاسخ تأیید کرد که شرکت‌های زیرمجموعه بلو کراس هم برای ارزیابی پرونده‌ها و خسارت‌ها از هوش مصنوعی استفاده می‌کنند، اما تأکید نمود: «هرگونه رد درخواست به دلایل بالینی، همواره توسط یک پزشک یا متخصص انسانی باصلاحیت بازبینی و نهایی می‌شود.»

«مسابقه تسلیحاتی اداری» میان هوش مصنوعی بیمارستان‌ها و بیمه‌ها

با پیشرفته‌تر شدن ابزار‌های هوش مصنوعی در دو سوی ماجرا، فضایی شکل گرفته که کریستوفر ویلی آن را یک «مسابقه تسلیحاتی اداری» تمام‌عیار می‌نامد.

او معتقد است: «چه در سمت بیمارستان‌ها و چه در سمت شرکت‌های بیمه، پیاده‌سازی این ابزار‌ها و فناوری‌ها فوق‌العاده گران تمام می‌شود؛ آن هم در شرایطی که هیچ ارتباطی با ارائه خدمات درمانی مناسب به بیماران ندارند.»

به گفته ویلی، این هزینه‌های سنگین در نهایت به کل سیستم سرایت می‌کند و از جیب خود مصرف‌کنندگان در قالب حق بیمه‌های بالا‌تر و مالیات‌های سنگین‌تر پرداخت خواهد شد.

از طرفی، ماریسا گرین‌والد (Marisa Greenwald)، از مدیران ارشد مؤسسه مشاوره «الیور وایمن» (Oliver Wyman) که به بیمارستان‌ها و بیمه‌ها در زمینه استراتژی‌های هوش مصنوعی و مدیریت چرخه درآمد مشاوره می‌دهد، می‌گوید هوش مصنوعی دستاوردهای مثبتی هم برای سیستم سلامت و پزشکان به همراه داشته است.

به گفته او، با کاستن از حجم کار‌های اداری، پزشکان می‌توانند وقت بیشتری را به ویزیت بیماران اختصاص دهند و دیگر مجبور نباشند ساعات طولانی پس از شیفت کاری را صرف پر کردن کاغذبازی‌ها و فرم‌های پرونده کنند. گرین‌والد می‌گوید شبکه‌های درمانی از هوش مصنوعی استفاده می‌کنند تا علاوه بر بالا بردن بهره‌وری، «تعادل بین کار و زندگی را دوباره به پزشکان برگردانند.»

البته این موضوع یک جنبه مالی شیرین هم دارد: وقتی پزشکان فرصت بیشتری برای ویزیت داشته باشند، می‌توانند بیماران بیشتری را ببینند؛ ضمن این‌که کدگذاری دقیق‌تر به آن‌ها اجازه می‌دهد «جزئیات حادتر بیماری و کدهای تشخیصی بیشتری را شکار کنند» و در نتیجه، پول بیشتری از بیمه بگیرند.

اما او اعتراف می‌کند تفکیک این‌که چه مقدار از این افزایش فاکتورها حاصل مستندسازی واقعی است و چقدر از آن مربوط به سوءاستفاده، کار بسیار سختی است: «خیلی دشوار است که بفهمیم چقدر از این رشد ناشی از دقت بالا‌تر است؛ چون همیشه احتمال خطای انسانی، سوءاستفاده و بیش‌کدگذاری (ثبت فاکتور بیش از حد واقعی) وجود دارد.»

گرین‌والد هشدار می‌دهد اگر بیمارستان‌ها با هوش مصنوعی فاکتورها را باد کنند و بیمه‌ها هم با هوش مصنوعی خودشان جلوی پرداخت‌ها را بگیرند، «این مسابقه تسلیحاتی روزبه‌روز وخیم‌تر می‌شود. امید این است که هر دو طرف ماجرا سر عقل بیایند و متوجه شوند که این بازی فقط دارد هزینه‌ها و بار مالی را به سیستمی که از قبل خسته و فرسوده بوده، تحمیل می‌کند.»

او اضافه می‌کند: «اگر وضعیت همین‌طور ادامه پیدا کند، بخش سلامت به جایی می‌رسد که در آن ربات‌ها با ربات‌های دیگر سرشاخ می‌شوند و مدام برای هم رجزخوانی و جنگ تن‌به‌تن راه می‌اندازند!»

اختلاف بیمارستان‌ها و بیمه‌ها قصه تازه‌ای نیست

ونسا مولداوان (Vanessa Moldovan)، نویسنده کتاب راهنمای هوش مصنوعی در چرخه درآمد سلامت و مدیر استراتژی در شرکت «مجیکال» (توسعه‌دهنده نرم‌افزارهای اتوماسیون مبتنی بر هوش مصنوعی برای مراکز درمانی)، معتقد است اصطکاک و جنگ اعصاب بر سر کدهای پزشکی اصلاً چیز جدیدی نیست و سال‌ها قبل از هوش مصنوعی هم وجود داشته است.

او می‌گوید: «هوش مصنوعی فناوری جدیدی است، اما اصل دعوا همان ماجرای قدیمی است. اگر ۱۰ کارشناس انسانی کدگذاری را کنار هم بنشانید و یک پرونده پزشکی را به آن‌ها بدهید، هر کدام از آن‌ها ممکن است فاکتور و کد متفاوتی برای آن صادر کند!»

در عین حال، بیمارستان‌ها زیر ذره‌بین قوانین و شیوه‌نامه‌های سفت‌وسخت بیمه‌ها کار می‌کنند که مو به مو مشخص می‌کند کدام بیماری‌ها و خدمات شامل پرداخت هزینه می‌شوند. به گفته مولداوان، هوش مصنوعی می‌تواند به بیمارستان‌ها کمک کند تا هزاران پرونده و سند را با سرعتی باورنکردنی مرور کنند و مطمئن شوند بابت مراقبت‌های واقعی که ارائه داده‌اند، پول‌شان را کامل دریافت می‌کنند.

با این وجود، او در جایی که بیماری یا عارضه در سوابق واقعی بیمار وجود نداشته باشد، یک خط قرمز پررنگ می‌کشد: «اگر بیمار به فلان مشکل مبتلا نبوده، نباید نامی از آن در پرونده بیاید.» دقیقاً به همین دلیل است که مولداوان مخالف کدگذاری و فاکتورسازی کاملاً خودکار است: «باید همیشه یک ناظر انسانی در چرخه تصمیم‌گیری حضور داشته باشد.»

او تأکید می‌کند که فاکتورهای تولیدشده توسط هوش مصنوعی هم باید درست مانند بررسی سنتی کار‌های کارشناسان انسانی، پیوسته بازرسی و حسابرسی شوند.

چالکر هم با این دیدگاه کاملاً هم‌نظر است و می‌گوید هوش مصنوعی باید «یار کمکی برای تصمیم‌گیری باشد، نه این‌که جایگزین قضاوت و درک انسانی شود.»

خطرات این روند فقط محدود به این نیست که یک بیمارستان پول بیشتری به جیب بزند؛ بلکه این تشخیص‌های ثانویه رسماً وارد پرونده و سابقه پزشکی دائمی بیمار می‌شوند. مولداوان نگران این است که افراد اعتماد چشم‌بسته و افراطی به داده‌های تولیدشده توسط هوش مصنوعی پیدا کنند.

او با صراحت می‌گوید: «ما در خطر اعتماد بیش از حد به هوش مصنوعی هستیم؛ فقط به این خاطر که با خودمان می‌گوییم عجب، این هوش مصنوعی است، پس لابد عقلش بیش‌تر از ما می‌رسد!»

البته مولداوان این را هم یادآور می‌شود که هوش مصنوعی می‌تواند به بیمارستان‌ها کمک کند تا مقابل بهانه‌تراشی‌ها و ردهای بیمه بایستند. تیم‌های مالی بیمارستان معمولاً نیروی انسانی کافی برای نوشتن نامه‌های اعتراضی، پیگیری مدارک و فرجام‌خواهی ندارند، اما هوش مصنوعی می‌تواند در مقیاسی وسیع این نامه‌ها را بنویسد و ارسال کند.

او می‌گوید: «با هوش مصنوعی می‌توانیم پرونده‌های خسارت و درخواست‌های تجدیدنظر خیلی بیشتری ارسال کنیم و حق بیمارستان را زنده کنیم.»

به این ترتیب، هوش مصنوعی حالا در چند جبهه از یک دعوای مالی مشترک ایستاده است: به بیمارستان‌ها در ثبت و باد کردن کدهای پزشکی کمک می‌کند، به شرکت‌های بیمه در موشکافی و رد درخواست‌ها یاری می‌رساند، و دوباره به بیمارستان‌ها برای نوشتن اعتراض و به چالش کشیدن ردها ابزار می‌دهد!

اما کریستوفر ویلی، استاد دانشگاه براون، معتقد است ملاک نهایی قضاوت درباره هوش مصنوعی نباید صرفاً این باشد که هزینه‌های درمان را کم کرده یا نه.

به باور او، اگر فناوری هزینه‌ها را بالا ببرد اما در ازای آن کیفیت درمان و دسترسی آسان‌تر بیماران به خدمات پزشکی را ارتقا دهد، باز هم ارزش سرمایه‌گذاری را خواهد داشت.

ویلی در پایان خاطرنشان می‌کند: «اما اگر ابزار‌های هوش مصنوعی فقط برای این ساخته شده‌اند که ورق‌ها را بُر بزنند تا یکی از طرفین برنده دعوای مالی شود، بدون این‌که هیچ فایده‌ای برای سلامت بیمار داشته باشند، دیگر صرف هزینه و منابع برای چنین فناوری‌هایی به هیچ عنوان توجیهی ندارد.»