Artificial Intelligence अब केवल बीमारी पहचानने, medical notes तैयार करने या doctors की सहायता करने तक सीमित नहीं है। Hospitals इसका इस्तेमाल medical coding और insurance claims तैयार करने में भी कर रहे हैं।
लेकिन अमेरिका से सामने आए एक नए analysis ने इस इस्तेमाल के आर्थिक प्रभाव पर सवाल खड़े कर दिए हैं।
Blue Cross Blue Shield Association (BCBSA) के अनुसार hospital billing में बढ़ती AI-assisted coding के दौर में ज्यादा patients को medically complex categories में दर्ज किया गया। Association का अनुमान है कि 2023 के baseline की तुलना में इस बढ़ी हुई coding intensity ने 2024 और 2025 के दौरान उसकी member insurance companies के लिए करीब $942 million अतिरिक्त खर्च पैदा किया।
मगर कहानी का महत्वपूर्ण हिस्सा यह है कि BCBSA को coding में जितना बदलाव दिखा, उसके अनुपात में treatment में बदलाव का evidence नहीं मिला।
इसी अंतर ने एक बड़ा सवाल खड़ा किया है: क्या AI पहले छूट जाने वाली legitimate diagnoses पकड़ रहा है, या वह reimbursement बढ़ाने वाली conditions को ज्यादा aggressively खोज रहा है?
BCBSA Analysis में क्या सामने आया?
24 सितंबर को जारी BCBSA analysis में de-identified claims data का अध्ययन किया गया। Blue Cross Blue Shield companies collectively अमेरिका में लगभग हर तीन में से एक व्यक्ति को healthcare coverage देती हैं।
Association के अनुसार 2023 की शुरुआत में उसके members को bill किए गए inpatient cases में लगभग 37% medically complex category में थे।
2025 के अंत तक यह हिस्सा बढ़कर करीब 40% हो गया।
प्रतिशत में यह अंतर छोटा दिखाई दे सकता है, लेकिन healthcare reimbursement में complexity classification payment को काफी बदल सकती है।
BCBSA ने इसी बदलाव से जुड़े अतिरिक्त खर्च का अनुमान $942 million लगाया है।
$942 Million का आंकड़ा वास्तव में क्या बताता है?
इस आंकड़े को समझते समय एक महत्वपूर्ण distinction जरूरी है।
BCBSA ने यह नहीं कहा कि hospitals ने मरीजों को $942 million का अतिरिक्त treatment दिया।
इसके बजाय analysis का दावा है कि coding intensity बढ़ने के कारण claims higher-reimbursement categories में पहुंचे और इससे BCBS companies का भुगतान बढ़ा।
यानी:
$942 million = estimated additional insurer spending associated with higher coding intensity
इसे $942 million की proven fraud, AI-generated fake billing या patients पर सीधे $942 million charge कहना उपलब्ध evidence से आगे जाना होगा।
Secondary Diagnoses ने बढ़ाया बड़ा हिस्सा
इस अतिरिक्त खर्च में सबसे महत्वपूर्ण भूमिका secondary diagnoses की बताई गई है।
Secondary diagnosis वह additional medical condition हो सकती है जो मरीज की hospital admission की मुख्य वजह से अलग हो, लेकिन उसकी overall medical complexity को प्रभावित करती हो।
BCBSA के मुताबिक करीब 70% additional costs—लगभग $650–653 million—secondary diagnoses से जुड़े थे।
Fierce Healthcare की रिपोर्ट के अनुसार 2023 baseline की तुलना में 55,000 से अधिक अतिरिक्त cases ऐसे थे जहां secondary diagnosis ने claim को higher-severity और higher-reimbursement Diagnosis-Related Group (DRG) में पहुंचाया।
यही वह mechanism है जिससे coding में अपेक्षाकृत छोटा बदलाव भी बड़े financial impact में बदल सकता है।
AI इसमें क्या कर रहा है?
Modern AI coding systems electronic health records में बड़ी मात्रा में मौजूद information को scan कर सकते हैं।
इनमें lab results, physician notes, medical records और clinical documentation शामिल हो सकते हैं। कुछ hospitals ambient scribes भी इस्तेमाल करते हैं, जो patient और clinician की बातचीत से automatically medical notes तैयार करने में मदद करते हैं।
इसके बाद software ऐसी secondary conditions identify कर सकता है जिन्हें human coder या doctor ने documentation में प्रमुखता से नहीं लिखा हो।
उदाहरण के लिए abnormal laboratory values के आधार पर system किसी संभावित condition को flag कर सकता है।
अगर वह diagnosis coding requirements पूरी करता है और patient को higher-severity DRG में ले जाता है, तो hospital को insurer से ज्यादा reimbursement मिल सकता है।
इसलिए AI यहां treatment नहीं कर रहा—वह मुख्य रूप से documentation और coding process में information खोजने या suggest करने का काम कर रहा है।
60% से ज्यादा Hospital Systems में AI Coding Technology
BCBSA का कहना है कि 60% से अधिक hospital systems अब ऐसी AI-enabled technologies इस्तेमाल कर रहे हैं जो medical records, lab reports और documentation को scan करके secondary diagnoses identify करने में मदद कर सकती हैं।
AI का यह उपयोग अपने-आप गलत नहीं है।
बेहतर documentation hospitals को उस treatment और patient complexity के लिए उचित reimbursement दिला सकती है जो पहले records में पर्याप्त रूप से capture नहीं हुई थी।
विवाद तब पैदा होता है जब coding complexity बढ़ती है लेकिन corresponding treatment में वैसा बदलाव दिखाई नहीं देता।
BCBSA को Treatment में क्या अंतर नहीं मिला?
Association ने major bowel surgeries जैसे inpatient cases का अध्ययन किया।
Reuters के अनुसार 2023 की पहली तिमाही से 2025 की चौथी तिमाही के बीच ऐसे patients में दर्ज partial intestinal blockages 55% और शरीर में excess acid से जुड़ी conditions 33% बढ़ीं।
लेकिन BCBSA का कहना है कि ज्यादा complex diagnoses के साथ treatment intensity में comparable increase नहीं दिखाई दिया।
एक उदाहरण anemia का है।
BCBSA के senior vice president of product and data science Luke Chalker ने कहा:
“If patients are truly sicker, we'd expect to see more treatment.”
Association के अनुसार anemia diagnoses बढ़ने के बावजूद blood transfusions में उसी तरह की बढ़ोतरी नहीं दिखाई दी।
Chalker ने कहा कि diagnoses और treatment के बीच यह disconnect संकेत देता है कि AI ज्यादा billable conditions पहचान रहा है, जरूरी नहीं कि मरीज वास्तव में ज्यादा बीमार हुए हों।
यह BCBSA की interpretation है, स्वतंत्र रूप से सिद्ध causal conclusion नहीं।
क्या इसका मतलब Hospitals ‘Upcoding’ कर रहे हैं?
जरूरी नहीं।
Upcoding आम तौर पर ऐसी billing practice को कहा जाता है जिसमें patient की condition या services को अधिक गंभीर अथवा महंगा दिखाने वाले codes इस्तेमाल किए जाएं ताकि reimbursement बढ़ सके।
लेकिन किसी AI system द्वारा पहले undocumented लेकिन clinically valid condition खोज लेना अपने-आप improper upcoding नहीं बन जाता।
यही इस विवाद का सबसे महत्वपूर्ण grey area है।
एक तरफ insurers पूछ सकते हैं: अगर मरीज वास्तव में ज्यादा complex था, तो treatment में समान बदलाव क्यों नहीं दिखा?
दूसरी तरफ hospitals और coding-software providers यह तर्क दे सकते हैं कि पुरानी documentation अधूरी थी और AI अब legitimate diagnoses को अधिक consistently capture कर रहा है।
Claims data से यह अंतर हमेशा conclusively तय नहीं किया जा सकता।
इसलिए ‘AI ने $942 Million खर्च करवाया’ कहना पूरी कहानी नहीं
BCBSA analysis में AI adoption और higher coding intensity के बीच संबंध पर जोर दिया गया है।
लेकिन association का analysis causal randomized study नहीं है जो यह साबित कर दे कि $942 million का पूरा अंतर सिर्फ AI की वजह से हुआ।
Patient population, clinical documentation standards, coding practices और hospital workflows में बदलाव जैसे दूसरे factors भी coding patterns को प्रभावित कर सकते हैं।
इसलिए अधिक सटीक formulation यह है:
AI-assisted hospital coding को BCBSA analysis ने $942 million के estimated additional spending से जोड़ा है।
यह कहना कि “AI ने निश्चित रूप से $942 million का unnecessary bill बनाया” उपलब्ध evidence से ज्यादा मजबूत दावा होगा।
Hospitals के पास भी AI इस्तेमाल करने की वजह है
Healthcare payment system में hospitals और insurers के incentives हमेशा एक जैसे नहीं होते।
Hospitals चाहते हैं कि patient की medical complexity पूरी तरह documented हो ताकि उन्हें provided care के लिए appropriate reimbursement मिले।
Insurers unnecessary या unsupported payments को रोकना चाहते हैं।
McLaren Health Care के CFO Dave Mazurkiewicz ने The New York Times को बताया कि insurers भी charts scan करने और potentially deniable claims तलाशने के लिए AI इस्तेमाल कर रहे हैं; इसी कारण hospitals भी उन्हीं records को अधिक प्रभावी ढंग से review कर रहे हैं। इस broader dispute को Inc ने अपनी coverage में उद्धृत किया है।
इससे healthcare AI का एक नया dynamic सामने आता है:
Provider का algorithm ज्यादा billable documentation खोज सकता है, जबकि payer का algorithm उसी claim में payment challenge करने की वजह खोज सकता है।
Insurers भी AI इस्तेमाल कर रहे हैं
AI controversy केवल hospitals तक सीमित नहीं है।
Insurance companies भी claims review, prior authorization और fraud detection जैसे क्षेत्रों में automation और AI का इस्तेमाल करती हैं।
Insurer-side AI को लेकर doctors और patient advocates ने अलग चिंताएं उठाई हैं—विशेष रूप से automated denials और prior authorization delays को लेकर।
इसलिए healthcare costs पर AI के प्रभाव की बहस को केवल “hospital AI बनाम insurer” के एकतरफा मुद्दे के रूप में देखना अधूरा होगा।
Technology दोनों तरफ तेजी से प्रवेश कर रही है।
मरीजों पर इसका क्या असर हो सकता है?
BCBSA का कहना है कि higher reimbursement ultimately healthcare affordability पर दबाव डाल सकता है।
Association के अनुसार ज्यादा spending का असर समय के साथ insurance premiums और out-of-pocket costs के साथ employers और taxpayers पर भी पड़ सकता है।
लेकिन individual patient के bill पर कितना प्रभाव पड़ा, यह $942 million aggregate estimate से सीधे निर्धारित नहीं किया जा सकता।
यह figure BCBS companies के estimated additional spending को दर्शाता है—किसी एक patient के अतिरिक्त खर्च को नहीं।
असली समस्या AI है या Healthcare Payment System?
यह study एक और बड़ा structural सवाल उठाती है।
Diagnosis-related reimbursement systems में payment patient की documented medical complexity से जुड़ सकता है।
इसका अर्थ है कि अगर technology पहले छूट जाने वाली additional conditions खोजने में ज्यादा सक्षम हो जाती है, तो medical treatment बदले बिना भी reimbursement बदल सकता है।
AI ने इस incentive को बनाया नहीं है।
लेकिन AI potentially इसे scale कर सकता है—क्योंकि software हजारों medical records में ऐसे coding opportunities बहुत तेजी से खोज सकता है जिन्हें manual review में पहचानना मुश्किल था।
यही वजह है कि भविष्य में debate केवल “AI सही है या गलत” तक सीमित रहने की संभावना कम है।
असली प्रश्न होंगे कि diagnosis clinically justified था या नहीं, उसका treatment पर क्या असर पड़ा, AI recommendation को किसने approve किया और उस decision का audit trail मौजूद है या नहीं।
Healthcare AI के लिए Transparency क्यों महत्वपूर्ण होगी?
BCBSA ने AI coding tools के इस्तेमाल में ज्यादा transparency की आवश्यकता पर जोर दिया है।
अगर किसी AI system ने secondary diagnosis suggest किया, तो ideally यह verify किया जा सके कि:
किस clinical evidence के आधार पर diagnosis flag हुआ, किस medical professional या coder ने उसे review किया, कौन-सा coding rule लागू हुआ और final claim में उसे क्यों शामिल किया गया।
ऐसी traceability hospitals और insurers के बीच disputes को कम करने में महत्वपूर्ण हो सकती है।
वरना healthcare payment system ऐसी स्थिति की ओर जा सकता है जहां एक algorithm higher reimbursement justify कर रहा हो और दूसरा algorithm उसे reject करने की कोशिश कर रहा हो।
निष्कर्ष
Blue Cross Blue Shield Association का नया analysis healthcare में AI के एक कम चर्चित प्रभाव को सामने लाता है।
AI केवल diagnosis और treatment decisions को नहीं बदल रहा—वह यह भी बदल सकता है कि इलाज को insurance system के सामने कैसे document और price किया जाता है।
BCBSA ने 2023 से 2025 के बीच बढ़ी coding intensity को $942 million अतिरिक्त spending से जोड़ा है, जिसमें करीब 70% अतिरिक्त लागत secondary diagnoses से संबंधित बताई गई। साथ ही association को corresponding treatment में समान वृद्धि का evidence नहीं मिला।
लेकिन इससे यह साबित नहीं होता कि हर अतिरिक्त diagnosis गलत था या पूरी $942 million राशि AI-generated improper billing थी।
इसलिए इस study का सबसे महत्वपूर्ण संदेश केवल “AI healthcare महंगा कर रहा है” नहीं है।
बड़ा सवाल यह है कि जब AI किसी patient के medical record से ज्यादा diagnoses खोज सकता है, तो healthcare system कैसे तय करेगा कि बेहतर documentation कहां खत्म होती है और reimbursement optimization कहां शुरू होती है।