اگر مدیر یک بیمارستان هستید، از این پس هوش مصنوعی دیگر یک هزینهٔ لوکس نیست، بلکه یک ابزار درآمدزاست. برای نخستین بار، دولت آمریکا پذیرفته است که هزینهٔ نظارت مداوم بر بیماران با استفاده از هوش مصنوعی را پرداخت کند.
طبق اعلام رسمی در ۲ سپتامبر ۲۰۲۶، سامانه نظارت بر سپسیس شرکت Bayesian Health مسیر پرداخت اختصاصی در مدیکر (Medicare) را به دست آورد. این تاییدیه، اولین مسیر بازپرداخت اختصاصی برای نظارت بر سپسیس در مرحله‌ی «پیش از ظهور علائم» (pre-suspicion) است.
سپسیس — پاسخی مرگبار به عفونت که اگر سریع درمان نشود منجر به نارسایی ارگان‌ها و مرگ می‌شود — یکی از بزرگ‌ترین کابوس‌های بخش‌های مراقبت ویژه است. بر اساس داده‌های CDC، سالانه حدود ۱.۷ میلیون بزرگسال در آمریکا دچار سپسیس می‌شوند و دست‌کم ۳۵۰ هزار نفر در طول بستری بودن یا پس از ترخیص به مراکز مراقبت‌های تسکینی (hospice) می‌میرند. تنها در سال ۲۰۲۱، بیش از ۲ میلیون آمریکایی به دلیل سپسیس بستری شدند که طبق گزارش «آژانس تحقیقات و کیفیت مراقبت‌های بهداشتی»، هزینه‌ای بیش از ۵۲ میلیارد دلار بر سیستم بهداشت تحمیل کرد. در این میان، تشخیص زودهنگام همچنان اصلی‌ترین چالش برای بیمارستان‌های مراقبت‌های حاد است.
زمینه و چارچوب قانونی
این تاییدیه از طریق قانون نهایی «سیستم پرداخت پیش‌بینانه بستری» (IPPS) برای سال مالی ۲۰۲۷ توسط مراکز خدمات مدیکر و مدیکید (CMS) صادر شده است. این قانون که نرخ‌های پرداخت و سیاست‌های بیمارستان‌های مراقبت‌های حاد را تعیین می‌کند، ابتدا در ۳۱ ژوئیه ۲۰۲۶ به نمایش گذاشته شد و در ۴ اوت ۲۰۲۶ به طور رسمی منتشر گردید.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی اقتصاد مدل‌های تشخیص پزشکی اشاره کردیم، بزرگ‌ترین مانع پذیرش فناوری‌های جدید، نبود مدل‌های پرداخت است. در اینجا، مدیکر با معرفی یک سازوکار به نام «پرداخت افزایشی فناوری جدید» (NTAP)، این گره را باز کرد. این سازوکار به بیمارستان‌ها اجازه می‌دهد هزینه‌های مربوط به فناوری‌های جدیدی را که از نرخ‌های پرداخت بسته‌ای استاندارد فراتر می‌روند، بازیابی کنند. از آنجایی که نرخ‌های استاندارد بر اساس داده‌های تاریخی ادعاهای هزینه ساخته شده‌اند، بیمارستان‌هایی که فناوری‌های جدید را می‌پذیرند، معمولاً مجبورند هزینه را در دل نرخی جذب کنند که پیش از اختراع آن فناوری تعریف شده است. NTAP این شکاف را با افزودن یک پرداخت موقت روی پرداخت استاندارد «گروه تشخیص‌های مرتبط» (DRG) پر می‌کند.
جزئیات پرداخت و شرایط واجد شرایط بودن
از تاریخ ۱ اکتبر ۲۰۲۶، شرایط زیر برای بازپرداخت‌ها اعمال می‌شود:
- مبلغ پرداخت: بیمارستان‌ها می‌توانند برای هر مورد واجد شرایط، پرداخت افزایشی تا سقف ۶۱.۸۴ دلار دریافت کنند. این مبلغ عموماً محدود به مقدار کمتری از این دو مورد است: ۶۵ درصد از هزینه فناوری، یا ۶۵ درصد از مبلغی که هزینه‌های مورد را از پرداخت استاندارد فراتر می‌برد.
- دامنه پوشش: این مسیر پرداخت، پذیرش‌های بزرگسالان در مدل «کارمزد در ازای خدمات» (fee-for-service) مدیکر را در تخمینی ۷۳۹ گروه تشخیص (DRG) پوشش می‌دهد.
- میزان پوشش: این گروه‌های واجد شرایط تقریباً ۹۷ درصد از کل DRGهای سیستم پرداخت پیش‌بینانه بستری را تشکیل می‌دهند. پرداخت‌ها به صورت مورد به مورد (claim by claim) انجام می‌شود و نیازی به مجوز جداگانه نیست.
- مدت اعتبار: مسیر NTAP تا سه سال فعال خواهد بود.
سازمان CMS واجد شرایط بودن را از طریق یک فرآیند درخواست سالانه تعیین می‌کند. به طور معمول، یک فناوری باید جدید باشد، هزینه‌ای داشته باشد که نرخ استاندارد DRG برای آن ناکافی باشد و بهبود بالینی قابل‌توجهی را نشان دهد. با این حال، دستگاه‌هایی که در برنامه «دستگاه‌های پیشگام» (Breakthrough Devices) سازمان FDA قرار دارند، می‌توانند از طریق یک مسیر جایگزین واجد شرایط شوند که در آن نیازی به اثبات «بهبود بالینی قابل‌توجه» نیست.
دستگاه Bayesian Health پیش از این در ۳۰ آوریل ۲۰۲۶ تاییدیه 510(k) سازمان FDA را دریافت کرده بود و پیش‌تر عنوان «دستگاه پیشگام» را به دست آورده بود. شرکت در ۱۲ مه این تاییدیه را اعلام کرد که اولین تاییدیه برای یک سامانه نظارت مداوم بر سپسیس مبتنی بر هوش مصنوعی بود. همین وضعیت رگولاتوری به شرکت اجازه داد تا از مسیر جایگزین CMS که در بالا ذکر شد، استفاده کند.
عملکرد بالینی و نتایج
اعتبارسنجی بالینی این سامانه در مجله Nature Medicine منتشر شده است؛ ارزیابی‌ای که شرکت آن را یکی از بزرگ‌ترین ارزیابی‌های هوش مصنوعی در مراقبت‌های بالینی می‌نامد. به نقل از این شرکت، بیمارانی که پزشکانشان بر اساس هشدارهای این سامانه اقدام کردند، ۱۸.۲ درصد کاهش در نرخ مرگ‌ومیر داشتند. همچنین، این بیماران به‌طور میانگین ۱.۸۵ ساعت زودتر از کسانی که از این سیستم استفاده نمی‌کردند، آنتی‌بیوتیک دریافت کردند.
شرکت Bayesian گزارش می‌دهد که این نتایج در سیستم‌های بهداشتی متنوع، تکرار یا حتی بهبود یافته‌اند. آن‌ها به نرخ پذیرش توسط پزشکان اشاره می‌کنند که به طور مداوم بالای ۸۰ درصد بوده و همزمان با کاهش نرخ استفاده از منابع بیمارستانی و کاهش مرگ‌ومیر ناشی از سپسیس همراه شده است.
سوچی ساریا (Suchi Saria)، بنیان‌گذار و مدیرعامل شرکت، معتقد است این تاییدیه اصطکاک مالی را از بین می‌برد تا فناوری‌های اثبات‌شده سریع‌تر به دست پزشکان برسند. او تاکید کرد که تمرکز اصلی بر کیفیت سیگنال‌هایی است که پزشکان می‌توانند به آن‌ها اعتماد کنند، نه صرفاً خودِ بازپرداخت مالی. مارتین دورفلر (Martin Doerfler)، مدیر پزشکی شرکت، افزود که این تصمیم مدل‌های پرداخت را با واقعیت بالینی درمان مرگبارترین بیماری‌ها همسو می‌کند و خاطرنشان کرد که بیمارستان‌ها نباید مجبور باشند بین انضباط مالی و ایمنی بیمار یکی را انتخاب کنند.
این حرکت، بار اقتصادی پذیرش هوش مصنوعی را از بودجه داخلی بیمارستان به یک مدل مشترک با مدیکر منتقل می‌کند. در واقع، مدیکر با پرداخت هزینهٔ نظارت مداوم، بیمارستان‌ها را تشویق می‌کند تا از مدل «واکنشی» (درمان پس از بروز علائم) به مدل «پیش‌دستانه» (جلوگیری قبل از بحران) تغییر مسیر دهند. این اتفاق باعث می‌شود سیستم‌های بهداشتی متوسط که پیش از این سرمایه کافی برای نظارت بلادرنگ نداشتند، به سرعت به سمت هوش مصنوعی حرکت کنند.
Bayesian Health اکنون در حال گسترش است. این شرکت اخیراً تیم رهبری پزشکان خود را گسترش داده و با Mayo Clinic برای به‌کارگیری پلتفرم هوش بلادرنگ خود در خطوط خدمات مراقبت‌های تسکینی (palliative care) وارد همکاری شده است.
باید رصد کرد که چگونه سایر ابزارهای تشخیصی مبتنی بر هوش مصنوعی از عنوان «دستگاه پیشگام» برای دور زدن موانع سنتی بهبود بالینی در CMS جهت دریافت بازپرداخت استفاده خواهند کرد.
گام بعدی شما
- مدیران بهداشتی باید مدل‌های هزینه-فایده (Cost-Benefit) خود را برای استقرار ابزارهای تشخیص زودهنگام بازبینی کنند.
- توسعه‌دهندگان MedTech باید مسیر «دستگاه‌های پیشگام» FDA را به عنوان استراتژی ورود به بازار (Go-to-Market) جدی بگیرند.
- بررسی کنید که کدام ابزارهای تشخیصی دیگر در صف دریافت تاییدیه NTAP هستند تا موج بعدی پذیرش را پیش‌بینی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های تخصصی استنتاج در لبه مراجعه کنید.
گفتگو