医療コーディングの精度:AIが人間のコーダーが見逃すものを捉える領域
経験豊富な医療コーダーでも95%の精度で作業した場合、20件に1件はエラーが発生します。週に2,000件の請求を処理する施設では、100件のコーディングエラーが外部に送出されることになり、そのそれぞれが請求却下、監査のトリガー、またはコンプライアンスリスクとなる可能性があります。興味深い問題は、人間がミスをするかどうかではありません。どこでミスをするのか、そしてAIがそれらの特定の失敗パターンを確実に検出できるかどうかです。
特異性の問題
ICD-10には約72,000の診断コードがあります。ICD-10-PCSはさらに78,000の処置コードを追加します。このシステムは非常に高い特異性を要求しますが、特異性こそが人間のコーダーが最も頻繁に不足する部分です。知識が不足しているからではなく、時間的プレッシャーにより、最も正確なコードではなく馴染みのあるコードに向かってしまうからです。
よくある例として、医師がカルテに右膝の変形性関節症と記載したとします。時間的プレッシャーのあるコーダーはM17.11（原発性変形性関節症、右膝）を割り当てるかもしれません。しかし、カルテにその膝の半月板切除術の既往も記載されている場合、より正確なコードはM17.31（その他の続発性変形性関節症、右膝）となります。この違いは診療報酬に影響し、集団健康分析におけるデータ品質にも影響します。
AIコーディングツールは臨床文書全体を読み取り、主診断行だけでなく、文脈全体に基づいてコードを提案します。カルテ内のすべての情報を同時に相互参照できるため、これらの特異性のギャップを検出するのに特に優れています。人間のコーダーがこれを行うには、はるかに多くの時間がかかります。
アンバンドリングとモディファイアのエラー
NCCIエディット、つまりどの処置コードを一緒に請求できるか、できないかを規定するルールは、四半期ごとに変更されます。現在のNCCIテーブルには340万以上のコードペアエディットがあります。人間がすべてを暗記することは不可能であり、コーディングソフトウェアが明らかなバンドリングの競合をチェックする一方で、AIは臨床的な文脈を理解することでさらに踏み込みます。
一般外科医が同一セッションで胆嚢摘出術とヘルニア修復術の両方を行った手術症例を考えてみましょう。これらのコードは本質的にバンドルされていませんが、支払者と臨床状況に応じて特定のモディファイアの組み合わせが必要です。AIは手術記録を分析し、個別の処置を特定し、外科医が別々の切開と臨床的意思決定をどのように記録したかに基づいて、正しいモディファイアの割り当てを提案します。
テキサス州のある多専門グループは、6か月間のパイロット期間中に、AIアシストコーディングが外科請求の8%でモディファイアエラーを検出したと報告しました。これらはランダムなエラーではありませんでした。NCCIエディットが最近変更され、コーディングチームがその更新を完全に把握していなかった特定の処置カテゴリに集中していました。
左右の区別と身体部位の特異性
ICD-10は多くの診断コードに対して左右の区別（左、右、両側）を要求し、整形外科および筋骨格系の状態には身体部位の特異性を要求します。左右の区別の欠落は請求却下の最も多い理由の一つであり、医師のカルテにどちら側かを特定せずに「肩の痛み」と記載されている場合に見落としやすいものの一つです。
AIツールは記録全体をスキャンして左右の区別の手がかりを探すことでこれに対処します。評価セクションに側を特定せずに「肩の痛み」と記載されていても、AIは現病歴の中で「患者は左腕を頭上に上げるのが困難と報告」や、身体診察の中で「左肩鎖関節上の圧痛」を見つけるかもしれません。文書のどこに記載されていても、左右の区別を抽出します。
AIコーディング支援が実際にどのように機能するか
ほとんどのAIコーディングツールは2つのモードのいずれかで動作します。最初のモードでは、コーダーが各カルテをレビューする際にリアルタイムアシスタントとして機能し、コードを提案します。コーダーは自分の選択と並んでAIの提案を確認し、承認、修正、またはオーバーライドできます。このモードは、コーダーが制御を維持し、AIの提案から学びたい施設に適しています。
2番目のモードでは、AIが初期のコード割り当てを自律的に処理し、人間のコーダーが出力の精度をレビューします。これはコンピュータ支援コーディング（CAC）と呼ばれることもあり、従来のワークフローを逆転させます。コーダーがカルテを読んでゼロからコードを選択する代わりに、AIが生成したコードを文書と照合してレビューします。3MやOptumの研究によると、このアプローチはコーダーの生産性を20%から30%向上させながら、精度を維持または改善できることが示されています。
精度の向上は直感に反する部分から生まれます。人間は実際、特に疲労状態では、ゼロから生成するよりもレビューして検証する方が得意です。シフトの6時間目のコーダーは、白紙の状態からコーディングする場合よりも、事前に入力された提案を素早く確認または修正する場合の方が、特異性の詳細を見落とす可能性が低くなります。
監査リスクの軽減
コーディングの精度はクリーンな請求だけの問題ではありません。監査への備えの問題でもあります。OIGのワークプランは一貫して評価・管理サービスにおけるアップコーディングを対象としており、RAC監査人は、偶発的なエラーではなく体系的な問題を示唆する過剰コーディングのパターンを探します。
AIツールは、特定のコードが提案された理由を、各コードを裏付ける臨床文書内の特定のフレーズにリンクして記録することで、自然な監査証跡を作成します。監査人がレベル5のE/M訪問が請求された理由を尋ねた場合、診療所はどの文書要素がその複雑性レベルを裏付けたかを正確に示すAI分析を提示できます。ヘルスケアAIプラットフォームにこのような組み込みの監査サポートがあれば、コンプライアンス担当者はコーディング精度に対してはるかに大きな信頼を持つことができます。
AIが置き換えないもの
AIコーディングツールは認定コーダーを置き換えるものではありません。コーダーが時間を費やす対象を変えているのです。AIが98%の精度で処理する単純なケースを地道にこなす代わりに、経験豊富なコーダーは複雑な複数処置のケース、珍しい診断、AIの信頼度スコアが低い臨床シナリオに集中します。
AIアシスタンスで活躍するコーダーは、AIを自分の役割への脅威ではなく、専門知識を増幅するものと捉える傾向があります。彼らは時間の節約を活用して複雑なケースをより深く掘り下げ、文書改善の機会を見つけ、チーム内のコーダー教育に貢献します。
AIアシスト付きコーディングとアシストなしのコーディングの精度差は、AIシステムがより多くのトレーニングデータと支払者固有の却下パターンを蓄積するにつれて拡大する可能性があります。今これらのツールを導入する施設は、時間とともに複利的に増大するデータの優位性を構築しています。なぜなら、AIがその施設固有の文書パターン、支払者構成、専門分野プロファイルから学習するからです。