Hastane faturasına yapay zekâ dokunuşu: İki yılda 942 milyon dolar. Türkiye'de tamamlayıcı sağlık için ne anlama geliyor?
ABD'de 31 bağımsız sağlık sigortası şirketinden oluşan ve 100 milyondan fazla kişiyi kapsayan Blue Cross Blue Shield Association (BCBSA), hastanelerin yapay zekâ destekli kodlama araçlarını kullanmaya başlamasının ardından yatarak tedavi faturalarında ne olduğunu inceledi.
Sonuç: 2023 yılı taban alındığında, 2024 ve 2025'te aynı nitelikteki bakım için ödenen tutar toplam yaklaşık 942 milyon dolar arttı. Bu iki yılda, yalnızca daha fazla ikincil hastalık faturalandırılmasından kaynaklanan kısım 653 milyon dolar.
MEKANİZMA: ÖDEME MERDİVENİ
Anlaşılması gereken şey burada. ABD'de yatarak tedavi ödemesi, vakanın hangi tanı grubuna (DRG) düştüğüne göre yapılıyor ve bu grupların üç basamağı var: komplikasyonsuz vaka, komplikasyon/eşlik eden hastalık içeren vaka (CC) ve ağır komplikasyon içeren vaka (MCC).
Hastanın asıl tanısı aynı kalsa bile, dosyaya eklenen bir ikincil tanı vakayı bir üst basamağa taşıyabiliyor. Basamaklar arasındaki fark küçük değil: konuyu inceleyen bir analizde, bağırsak ameliyatlarında Medicare'in 2026 mali yılı için belirlediği ödeme katsayılarının komplikasyonsuz grupta 1,68, CC grubunda 2,40, MCC grubunda 4,60 olduğu aktarılıyor. Yani dosyaya eklenen tek bir satır ödemeyi kat kat değiştirebiliyor.
BCBSA'nın bulgusu şu: iki yılda 55 binin üzerinde yatış bir üst basamağa geçmiş ve bu vakaların her biri ortalama 11 bin dolar civarında ek ödeme doğurmuş. Kodlama yoğunluğundaki artışın yaklaşık %70'i bu ikincil tanı basamak değişiminden geliyor. "Tıbben karmaşık" olarak kodlanan yatışların payı 2023 başında %37 iken 2025 sonunda %40'a çıkmış.
TANI İLE TEDAVİ ARASINDAKİ KOPUKLUK
Araştırmanın asıl dayanağı maliyet artışı değil, artışın tedaviye yansımaması.
Büyük bağırsak ameliyatlarında en yüksek karmaşıklık grubundaki vakaların payı %10,2'den %22,7'ye çıkarken, komplikasyonsuz vakaların payı %36,6'dan %32,8'e inmiş. Tek başına bu kalemin ek maliyeti yaklaşık 61 milyon dolar.
Kanamaya bağlı anemi tanısında ise tablo daha da çarpıcı: bu tanıyı en çok koyan hastane diliminde anemi tanısı oranı %13,7 iken diğerlerinde %9,9. Ama aynı hastalarda kan nakli oranı en çok tanı koyan dilimde %16,9, diğerlerinde %19,3. Yani tanı artmış, tedavi artmamış — hatta hafifçe azalmış.
BCBSA'dan Luke Chalker'ın ifadesi şöyle: "Karşılık gelen bir bakım değişikliğine dair kanıt bulamıyoruz; çünkü mevcut geri ödeme mekanizmaları buna izin veriyor."
HASTANELERİN CEVABI
Hastane tarafı bu tabloyu kabul etmiyor. Yöneticilerin argümanı iki başlıkta toplanıyor: hastalar gerçekten daha ağır geliyor, ve asıl otomasyon karşı tarafta.
Sağlık kuruluşu yöneticileri, sigortacıların da hasar taleplerini otomatik inceleyen, kod düşüren ve reddeden sistemler kullandığını, bu ölçekte bir otomasyonla baş edemediklerini söylüyor. HCA Healthcare'in finans direktörü Mike Marks, hastanelerin bu konuda "ödeyicilerin gerisinde" olduğunu belirtiyor.
Araştırmacıların kendisi de ölçülü konuşuyor: bulgular yapay zekânın yanlış tanı koyduğunu doğrudan göstermiyor; gösterdiği şey tanı sayısı ile uygulanan tedavi arasındaki farkın açılması.
PEKİ TÜRKİYE
Bu mekanizmayı olduğu gibi Türkiye'ye taşımak yanlış olur, çünkü ödeme yapısı farklı.
Türkiye'de kamu tarafında geri ödeme ağırlıklı olarak Sağlık Uygulama Tebliği üzerinden, hizmet başına ve paket fiyatlarla yapılıyor. Teşhis İlişkili Gruplar yöntemi Türkiye'de daha çok Sağlık Bakanlığı'nın global bütçe dağıtımında kullanıldı; ABD'deki gibi ikincil tanının ödemeyi basamak basamak yükselttiği bir yapı yaygın değil.
Ama bu, konunun bizi ilgilendirmediği anlamına gelmiyor. Özel sağlık ve tamamlayıcı sağlık sigortalarında fatura kalem kalem inceleniyor; tanı kodu, tetkik ve işlem satırları teminat kapsamını ve ödenecek tutarı doğrudan belirliyor. Yapay zekâ destekli belgelendirme araçları Türkiye'deki hastanelere de girdiğinde, ilk görülecek yer bu satırlar olacak.
Ve simetri burada bozuluyor: aynı teknoloji sigorta şirketinin fatura inceleme tarafında da kullanılıyor. İki taraf da otomasyonla güçlenirken, arada duran sigortalının elinde ne var?
SORULARIMIZ
Bir: Türkiye'de tamamlayıcı ve özel sağlık sigortası faturalarında tanı kodu dağılımı yıllar içinde nasıl değişti? Bu veri SBM'de mevcut mu, değilse toplanabilir mi?
İki: Bir hasar talebinin reddinde ya da tutarının düşürülmesinde otomatik sistemlerin payı sigortalıya bildiriliyor mu?
Üç: Prim artışları gerekçelendirilirken "sağlık enflasyonu" başlığının içinde kodlama yoğunluğundan gelen artış ayrıştırılıyor mu?
Bu üç sorunun cevabı, sağlık sigortasında primin neden arttığını sigortalıya anlatabilmenin de anahtarı.
#sigorta #sağlıksigortası #yapayzeka #tamamlayıcısağlık #hasar #SigortanınSesi
