grace-winata
Bayangkan Anda masuk rumah sakit untuk prosedur sederhana, namun pulang dengan tagihan yang jauh lebih besar dari perkiraan. Inilah kenyataan yang kini dihadapi banyak pasien di Amerika Serikat. Sebuah laporan terbaru dari Blue Cross Blue Shield Association (BCBSA), asosiasi penyedia asuransi kesehatan terbesar di Negeri Paman Sam, mengungkap bahwa implementasi kecerdasan buatan atau AI (Artificial Intelligence) di rumah sakit justru berkontribusi pada lonjakan biaya perawatan hingga mencapai US$1 miliar atau sekitar Rp16 triliun. Temuan ini menjadi tamparan keras bagi narasi yang selama ini menggaungkan AI sebagai solusi efisiensi di sektor kesehatan.
Dari Efisiensi Menjadi Beban Finansial
AI sejatinya dipromosikan sebagai teknologi yang mampu memangkas birokrasi dan mempercepat diagnosis. Namun, laporan BCBSA menunjukkan sisi gelap dari adopsi teknologi ini. Algoritma yang digunakan untuk membantu proses pengkodean medis, yakni proses menerjemahkan catatan dokter menjadi kode tagihan asuransi, ternyata menghasilkan kode yang lebih kompleks dan berlapis. Ibarat seperti mesin kasir otomatis yang tidak hanya menghitung harga barang, tetapi juga menambahkan berbagai biaya tersembunyi yang tidak Anda sadari.
Menurut data BCBSA, rumah sakit yang mengadopsi sistem pengkodean berbasis AI melaporkan peningkatan pendapatan klaim yang signifikan dibandingkan fasilitas yang masih menggunakan metode manual. Peningkatan ini tidak selalu sejalan dengan kualitas layanan yang diberikan. Pasien akhirnya menanggung beban tagihan yang membengkak, sementara perusahaan asuransi menghadapi klaim yang semakin mahal.
"Kami melihat pola yang mengkhawatirkan. AI seharusnya menjadi alat untuk efisiensi, bukan mesin uang yang membebani pasien," ujar seorang analis kebijakan kesehatan dari BCBSA dalam laporan tersebut.
Bagaimana Algoritma Memperumit Tagihan?
Untuk memahami akar masalahnya, kita perlu melihat bagaimana AI bekerja dalam ekosistem rumah sakit modern. Sistem AI dilatih menggunakan data historis klaim dan catatan medis. Ketika dokter memasukkan diagnosis, algoritma akan menyarankan kode tagihan yang paling menguntungkan secara finansial. Dalam beberapa kasus, sistem ini cenderung memilih kode yang lebih spesifik dan kompleks, yang berarti nilai klaim lebih tinggi.
Misalnya, untuk kasus pneumonia sederhana, AI dapat merekomendasikan kode tambahan untuk komplikasi yang belum tentu terdeteksi secara klinis. Akibatnya, tagihan yang seharusnya US$5.000 bisa melonjak menjadi US$8.000. Perbedaan ini mungkin terlihat kecil per pasien, tetapi ketika dikalikan dengan jutaan klaim setiap tahun, dampaknya mencapai miliaran dolar.
Lebih lanjut, BCBSA mencatat bahwa rumah sakit yang menggunakan AI untuk pengkodean memiliki tingkat klaim ditolak (denial rate) yang lebih rendah, karena kode yang dihasilkan dianggap lebih valid oleh sistem asuransi. Ini menciptakan insentif bagi rumah sakit untuk terus menggunakan AI, meskipun biaya yang dibebankan ke pasien semakin tidak terkendali.
Dampak pada Pasien dan Ekosistem Kesehatan
Bagi pasien, konsekuensinya sangat nyata. Mereka yang memiliki asuransi dengan sistem co-payment atau deductible tinggi harus merogoh kocek lebih dalam. Sementara itu, pasien tanpa asuransi menghadapi tagihan yang bisa mencapai puluhan ribu dolar. Dalam jangka panjang, fenomena ini dapat memperlebar kesenjangan akses kesehatan di negara maju sekalipun.
Dari sisi ekosistem, rumah sakit berada dalam posisi dilematis. Di satu sisi, AI menawarkan efisiensi operasional dan akurasi data. Di sisi lain, penggunaan yang tidak terkendali dapat merusak reputasi dan kepercayaan publik. Perusahaan asuransi pun mulai melakukan audit ketat terhadap klaim yang dihasilkan AI, yang berpotensi memperlambat proses pembayaran dan meningkatkan biaya administrasi.
Beberapa ahli teknologi kesehatan menyarankan perlunya regulasi yang jelas. Algoritma AI harus diuji tidak hanya dari segi akurasi medis, tetapi juga dampaknya terhadap biaya pasien. Transparansi dalam pengkodean menjadi kunci. Pasien berhak mengetahui mengapa sebuah kode dipilih dan bagaimana hal itu memengaruhi tagihan mereka.
Selain itu, pengembangan AI di sektor kesehatan perlu melibatkan berbagai pemangku kepentingan, termasuk dokter, perawat, dan organisasi konsumen. Tanpa pengawasan yang seimbang, inovasi yang seharusnya membantu justru menjadi disrupsi yang merugikan.
Kasus ini menjadi pengingat bahwa teknologi bukanlah solusi netral. Ia mencerminkan nilai dan insentif dari sistem yang menaunginya. Selama sistem kesehatan didorong oleh profit, AI akan cenderung memperkuat pola yang ada, bukan mengubahnya. Pertanyaannya kini bukan lagi apakah AI bisa membantu rumah sakit, tetapi untuk siapa AI sebenarnya bekerja. Jika tidak segera dibenahi, pasien akan terus menjadi pihak yang menanggung biaya dari inovasi yang seharusnya memudahkan hidup mereka.
Comments (0)