Sztuczna inteligencja coraz mocniej wchodzi do amerykańskich szpitali. Pomaga lekarzom tworzyć dokumentację i analizuje wyniki badań. Może też automatycznie przypisywać przypadki pacjentów do określonych kategorii wykorzystywanych później do rozliczania leczenia z ubezpieczycielem. Problem w tym, że według najnowszej analizy Blue Cross Blue Shield Association wraz z upowszechnieniem takich narzędzi rośnie również liczba pacjentów kwalifikowanych do bardziej złożonych i droższych kategorii leczenia. W latach 2023–2025 miało to wygenerować niemal 942 mln dolarów dodatkowych wydatków.
To kolejny sygnał, że wykorzystanie AI w ochronie zdrowia nie ogranicza się do pytania, czy algorytm dobrze rozpoznaje chorobę albo potrafi przygotować notatkę z wizyty. Coraz większe znaczenie ma również to, jak sztuczna inteligencja wpływa na klasyfikację przypadków medycznych i sposób rozliczania leczenia.
AI zmienia sposób, w jaki szpitale klasyfikują przypadki
Analiza Blue Cross Blue Shield Association opiera się na zanonimizowanych danych dotyczących roszczeń ubezpieczeniowych. BCBSA twierdzi, że w latach 2023–2025 wyraźnie zwiększył się udział hospitalizacji klasyfikowanych jako bardziej złożone pod względem medycznym.
To istotne, ponieważ w amerykańskim systemie płatności szpitale korzystają między innymi z systemu grup diagnostycznych DRG. Im bardziej skomplikowany przypadek zostanie zakwalifikowany do odpowiedniej kategorii, tym wyższa może być kwota refundacji.
Według BCBSA udział przypadków określanych jako medycznie złożone wzrósł z około 37 proc. na początku 2023 roku do 40 proc. pod koniec 2025 roku. Organizacja szacuje, że przełożyło się to na około 942 mln dolarów dodatkowych wydatków poniesionych przez firmy Blue Cross Blue Shield.
W przeliczeniu po kursie około 3,65 zł za dolara daje to około 3,4 mld zł.
Nie chodzi przy tym o to, że AI sama wystawia szpitalom rachunki. Mechanizm jest bardziej pośredni. Narzędzia wykorzystujące AI analizują dokumentację pacjenta, wyniki badań i notatki lekarzy. Następnie mogą wskazywać dodatkowe diagnozy, które powinny zostać uwzględnione przy klasyfikacji przypadku i jego rozliczeniu.
Jeżeli dodatkowa diagnoza powoduje zakwalifikowanie hospitalizacji do wyżej wycenianej kategorii, koszt leczenia dla ubezpieczyciela rośnie.
Większy rachunek, ale czy rzeczywiście więcej leczenia?
Właśnie tutaj pojawia się największy problem opisany przez BCBSA.
Wzrost liczby diagnoz sugerujących bardziej skomplikowany stan pacjentów nie zawsze był powiązany z odpowiadającym mu wzrostem faktycznie udzielanych świadczeń.
Jako przykład BCBSA podaje diagnozę niedokrwistości pojawiającą się między innymi po poważnych operacjach jelita. Jeżeli pacjent rzeczywiście cierpi na istotną niedokrwistość, można spodziewać się określonych konsekwencji terapeutycznych, na przykład większej liczby transfuzji.
Tymczasem w analizowanych danych liczba takich diagnoz rosła znacznie szybciej niż liczba odpowiadających im procedur leczniczych. BCBSA interpretuje tę rozbieżność jako sygnał, że systemy AI mogą skuteczniej wyszukiwać w dokumentacji informacje pozwalające zakwalifikować przypadek jako bardziej złożony, nawet jeśli sposób leczenia pacjenta pozostaje zasadniczo taki sam.
To właśnie mechanizm intensyfikacji klasyfikacji przypadków medycznych jest jednym z głównych problemów wskazywanych przez organizację.
Według analizy około 70 proc. dodatkowych kosztów, czyli ponad 650 mln dolarów, miało być związane z dodatkowymi diagnozami. I to takimi, które przesuwały przypadki do kategorii o wyższej wartości refundacji.
AI nie musi się mylić, żeby zwiększać koszty
W całej sprawie jest jednak ważne rozróżnienie.
Problemem nie musi być klasyczny błąd sztucznej inteligencji. Algorytm może poprawnie znaleźć informację znajdującą się w dokumentacji medycznej, której wcześniej człowiek nie uwzględniał przy klasyfikacji przypadku.
Jeżeli jednak informacja ta powoduje przejście do droższej kategorii rozliczeniowej, pojawia się ważne pytanie. Czy zmiana wysokości rachunku rzeczywiście odpowiada zmianie w stanie zdrowia pacjenta i zakresowi udzielonej mu pomocy.
To jedna z konsekwencji automatyzacji, która może być znacznie trudniejsza do zauważenia niż zwykła pomyłka algorytmu.
AI może bowiem wykonywać swoją pracę bardzo skutecznie. Tyle że celem systemu klasyfikującego nie jest bezpośrednio leczenie pacjenta. Jego zadaniem jest analiza dokumentacji i przypisanie przypadku do odpowiednich kategorii.
Jeżeli więc system jest szczególnie skuteczny w odnajdywaniu dodatkowych informacji kwalifikujących przypadek do bardziej złożonej kategorii, może to zwiększać wartość rozliczenia.
Ponad 60 proc. systemów szpitalnych korzysta już z AI
Skala problemu może rosnąć, ponieważ narzędzia tego typu szybko się upowszechniają.
BCBSA podaje, że ponad 60 proc. systemów szpitalnych korzysta obecnie z technologii AI, które mogą analizować wyniki badań laboratoryjnych, dokumentację elektroniczną i notatki lekarzy.
To część znacznie większego trendu.
Raport amerykańskiego Government Accountability Office z lipca 2026 roku wskazuje, że narzędzia AI są już wykorzystywane zarówno do tworzenia dokumentacji medycznej, jak i klasyfikacji świadczeń. Według przywołanych przez GAO danych odsetek ankietowanych klinicystów korzystających z AI do dokumentacji klinicznej lub klasyfikacji świadczeń wzrósł z 21 proc. w 2024 roku do 28 proc. w 2026 roku.
Technologia ma oczywiście również drugą stronę. Automatyczne tworzenie dokumentacji może ograniczać ilość pracy administracyjnej lekarzy. GAO wskazuje, że narzędzia AI mogą zmniejszać obciążenie pracowników, przyspieszać procesy i pozwalać lekarzom poświęcać więcej czasu pacjentom.
Problem zaczyna się wtedy, gdy nie ma wystarczającej kontroli nad tym, jak informacje wygenerowane lub znalezione przez AI przekładają się na klasyfikację przypadku i wysokość rozliczenia leczenia.
To nie pierwszy taki sygnał
Wrześniowa analiza BCBSA nie jest zresztą pierwszym ostrzeżeniem organizacji.
W marcu 2026 roku BCBSA opublikowała wcześniejsze badanie dotyczące przypadków położniczych. W tamtej analizie również zaobserwowano wzrost liczby diagnoz związanych z ostrą niedokrwistością po krwotoku poporodowym bez odpowiadającego mu wzrostu leczenia, którego można byłoby oczekiwać przy takich przypadkach.
BCBSA szacowało wówczas, że bardziej intensywne przypisywanie dodatkowych diagnoz przy wykorzystaniu AI mogło być powiązane z około 663 mln dolarów wydatków szpitalnych oraz co najmniej 1,67 mld dolarów wydatków ambulatoryjnych.
Najnowsza analiza dotycząca dużych operacji jelita ma być kolejnym przykładem tego samego zjawiska.
Nie oznacza to jednak, że można już stwierdzić, iż AI jest bezpośrednią przyczyną całego wzrostu kosztów. Sam GAO zwraca uwagę, że niezależnych badań dotyczących dokładności tych systemów jest nadal niewiele. Więc ich wpływ na całkowite wydatki zdrowotne pozostaje niepewny.
Automatyzacja może więc obniżyć jeden koszt i podnieść inny
To chyba najważniejsza lekcja z całej sprawy.
AI została wprowadzona do medycyny między innymi po to, żeby ograniczyć biurokrację i koszty administracyjne. Lekarz nie musi ręcznie przygotowywać każdej części dokumentacji. System może szybko przeanalizować tysiące informacji znajdujących się w elektronicznej historii pacjenta.
Jeżeli jednak ta sama technologia pozwala jednocześnie znacznie dokładniej wyszukiwać diagnozy wpływające na wysokość refundacji, część oszczędności może zostać zniwelowana przez wyższe koszty samego leczenia.
A rachunek ostatecznie trafia do kogoś innego. Mogą to być ubezpieczyciele, pracodawcy finansujący ubezpieczenia, pacjenci albo podatnicy.
Dlatego przyszłość AI w ochronie zdrowia będzie zależała nie tylko od tego, czy sztuczna inteligencja potrafi wykonywać zadania szybciej od człowieka, ale również od tego, czy system rozliczeń potrafi kontrolować konsekwencje tej automatyzacji.
W przeciwnym razie możemy otrzymać sytuację, w której sztuczna inteligencja rzeczywiście poprawia dokumentację medyczną, przyspiesza pracę personelu i znajduje więcej informacji o pacjentach — a jednocześnie sprawia, że za dokładnie tę samą opiekę zdrowotną trzeba zapłacić więcej.
I właśnie dlatego dyskusja o AI w medycynie coraz mniej dotyczy wyłącznie tego, czy algorytm jest wystarczająco dobry. Coraz ważniejsze staje się pytanie, co dzieje się z pieniędzmi, kiedy algorytm jest zbyt skuteczny.
Foto: DepositPhotos