AI帮医院找出更多诊断,保险公司称两年多付了9.42亿美元

我看到 9.42亿美元 这个数字的时候，第一反应其实有点反常识。

过去几年，我们听到的医疗AI故事大多是：

帮医生写病历。

减少文书工作。

更快整理检查结果。

最终让医疗系统变得更高效。

但美国蓝十字蓝盾协会最近算了一笔完全不同的账。

BCBSA认为，以2023年的住院编码水平为基线，2024—2025年病例编码变得更“复杂”，给旗下保险计划带来了大约：

9.42亿美元额外支出。

其中约 6.53亿美元，与更多次要诊断把患者推入更高报销档位有关。

乍一看，好像是：

AI把患者“诊断得更严重”了。

但事情并没有这么简单。

AI到底做了什么？

今天医院里的AI，并不只有回答医生问题的大模型。

其中一类工具会扫描：

电子病历、化验结果、医生笔记和诊疗记录。

它的任务之一，是寻找可能没有被完整记录的诊断信息。

以前，一个医生很忙，可能首先记录这次住院最主要的问题。

现在AI可以重新把整份病历翻一遍：

血红蛋白是不是低了？

有没有电解质异常？

患者过去还有哪些合并症？

有没有符合编码标准、但过去没有完整写出来的次要诊断？

这些信息很多时候并不是AI凭空创造的。

它真正擅长的是：

把散落在病历里的信息全部找出来。

BCBSA称，目前已经有超过六成医院系统使用某种AI辅助编码、记录或相关技术。

问题在于：

在美国医疗支付体系里，

多找到一个诊断，有时不只是多写一行字。

它可能直接改变这次住院值多少钱。

为什么多一个诊断，账单可能就变贵？

这里需要理解一个概念：

DRG。

美国住院医疗中广泛存在按诊断相关组分类支付的机制。

以Medicare的MS-DRG为例，一次住院会根据：

主要诊断、次要诊断、手术、年龄、出院状态等信息，

被分到一个支付类别。

很多病例还会根据并发症和合并症分成不同严重度。

例如：

普通病例；

有并发症或合并症，也就是 CC；

有重大并发症或合并症，也就是 MCC。

通常来说，病例越复杂，预计消耗的医疗资源越多，对应支付水平也越高。

可以把它粗略理解成一种：

“病例套餐”。

AI没有改变患者做了什么手术。

但如果它从病历里找到了一个符合规则的重要次要诊断，这个诊断就有可能把整个病例：

从普通套餐推到更高支付档位。

这个机制本身并不奇怪。

真正病情更复杂的患者，本来就应该获得更多资源，医院也应该获得更多补偿。

真正产生争议的问题是：

病例在账面上变复杂以后，实际治疗有没有一起变复杂？

蓝十字发现了什么？

BCBSA分析了旗下保险计划的住院理赔。

从2023年初到2025年底，被编码为“医学复杂”的病例比例从大约：

37%升到了40%。

这个变化看起来只有3个百分点。

但放到庞大的住院理赔规模里，金额就很可观。

BCBSA估算，相对2023年的基线，2024—2025年编码强度上升对应约 9.42亿美元额外支出。

其中超过 5.5万例新增复杂病例，是因为次要诊断把患者推入了更高严重度支付组。

仅这一部分就对应约：

6.53亿美元。

保险方最关注的是另一个现象：

诊断变化很明显，

但它没有看到同等幅度的治疗变化。

BCBSA举了贫血的例子。

一些病例里的贫血诊断明显增加，但输血并没有同步增加。

于是保险方的解释是：

AI正在找到更多“可以计入账单的诊断”，而不是患者真的突然变得更严重。

但这里必须把边界说清楚。

这不是最终医学定论。

一个患者有贫血，并不意味着一定需要输血。

没有增加某一种治疗，也不能反过来证明这个诊断不存在。

所以9.42亿美元应该理解成：

BCBSA基于自己理赔数据得出的成本估算。

而不是：

已经被证明由AI制造的无效医疗费用。

医院为什么不同意？

医院行业给出了另一套解释。

American Hospital Association认为：

今天真正住院的患者，本来就比过去更复杂。

人口老龄化。

慢性疾病增加。

同时，很多简单治疗越来越多地转向门诊完成。

于是最终留下来的住院患者，平均病情自然更重。

医院方面还强调：

完整记录患者真实病情，本身就是医院应尽的责任。

如果AI只是帮助医生把过去没有时间完整写出的疾病和并发症找出来，那它做的其实不是“抬高账单”，而是：

减少漏记。

所以这场争论本质上变成了两个完全不同的问题。

保险公司问：

这些新增编码真的对应更多医疗服务吗？

医院问：

如果病情本来就存在，为什么不能完整记录并得到相应支付？

两边其实都不是没有道理。

更有意思的是：保险公司自己也在用AI

事情到这里才真正变得有意思。

因为AI并不只站在医院一边。

保险公司同样在用自动化系统审核医疗账单。

它们会寻找：

异常编码；

不符合规则的收费；

可能应该降低支付等级的病例；

甚至部分自动拒赔。

于是医疗支付体系正在慢慢变成：

医院的AI负责找更多可以记录的诊断。

↓

保险公司的AI负责找更多可以质疑的诊断。

↓

医院申诉。

↓

保险继续审核。

↓

双方继续优化算法。

过去，双方都受到一个共同限制：

人不可能把几百万份病历和账单全部重新翻一遍。

AI正在消除这个限制。

它没有自动消灭行政摩擦。

相反，它可能首先让：

博弈双方都拥有了更强的搜索能力。

这件事真正值得关注的，不是9.42亿美元

我觉得这条新闻最有意思的地方，并不是证明：

AI让医疗变贵了。

目前的数据还不足以这么说。

真正值得关注的是另一个问题：

当AI把一项工作做得越来越高效以后，它到底在优化谁的目标？

医院希望：

完整记录病情、减少漏记、获得合理支付。

保险公司希望：

控制不合理赔付。

医生希望：

少写病历，把更多时间留给患者。

患者希望：

得到更好的治疗，同时少花钱。

这些目标并不完全一致。

所以即使AI让每一个参与者都更高效：

整个系统也未必因此变得更高效。

这是一个很容易被忽略的区别。

在一个简单任务里：

效率提高，通常意味着成本下降。

但在医疗、保险、金融这样的复杂系统里，

如果每个参与者都利用AI更高效地追求自己的局部目标，

结果可能变成：

大家都更聪明了，但整个系统反而更贵。

过去我们评价医疗AI，经常问：

它准确率提高了多少？

医生能少写多少病历？

一个任务快了多少？

以后可能还必须多问一层：

它进入真实支付体系以后，整个系统发生了什么？

因为AI真正进入现实世界以后，最难的问题越来越不是：

“AI能不能把事情做对？”

而是：

“当AI真的把事情做得非常高效以后，它把整个系统推向了哪里？”

医疗账单，只是我们开始看到这个问题的一个地方。

资料来源：Blue Cross Blue Shield Association / American Hospital Association / TechCrunch / The New York Times / CMS