BCBS 这个锅 AI 背不动，但这笔近 10 亿美元的“可疑收费”账，得算清楚。作为医疗信息化领域的老兵，我第一反应不是“AI 又闯祸了”，而是“这口锅终于从人身上甩到算法身上了”。蓝十字蓝盾（BCBS）把大量医院账单异常归因于 AI 辅助编码和计费系统，听起来像技术进步翻车，实际上是把一个长期存在的行业顽疾——医疗计费漂移、编码膨胀、费率错配——打包塞给了自动化工具。
这篇文章我想把这件事拆开来讲：AI 在医疗计费链路里到底干了什么活，为什么会出现近 10 亿美元的偏差，问题根源到底在算法还是在制度，以及最关键的——医疗信息化团队、医保支付方和医院财务部门，应该从这起事件里学会什么。
1. 事件背景：AI 在医院计费体系中的真实位置
要理解 BCBS 这笔账为什么扯到 AI，先得搞清楚医疗计费这件事的复杂度到底有多离谱。
1.1 从诊疗到账单：AI 只是最后一公里的“传话员”
一次普通的住院治疗，从患者入院到保险公司收到账单，中间要经过诊疗记录书写、ICD-10 编码转换、DRG 分组、费用明细汇总、预授权校验、支付资格核验、账单提交、人工审核、争议处理这么多环节。AI 在这条链路上真正参与的，主要是编码建议、费用预估、异常账单标记和预授权初筛。也就是说，医生诊断完病人，AI 根据病历文本推荐 ICD-10 编码，然后计费系统根据编码组合和医院费率表生成账单金额。
换句话说，AI 不是那个制定价格的人，它更像是“翻译官”——把临床语言翻译成计费语言。翻译官可以译错，但原文写错了、定价表错了，责任不能全算在翻译头上。
这次 BCBS 通报的近 10 亿美元可疑收费，涉及大量住院账单中编码组合与诊疗记录不符、重复计费、捆绑计费拆分异常等问题。AI 在这些环节的作用，是“建议”编码和标记异常，但最终提交账单的是医院的人力团队。
1.2 为什么 AI 会遇到“背锅”命运
商业保险公司的利润逻辑决定了他们必须控制赔付率。一旦出现大面积账单异常，支付方需要找一个能对外解释的理由。AI 作为新技术，公众认知度低、解释性强，非常适合当挡箭牌。但稍微熟悉医疗信息化的人都知道，AI 进入医疗计费领域已经有七八年时间，早期的规则引擎、中期的机器学习模型、现在的生成式 AI 辅助编码，本质上都是在做模式识别和文本语义匹配，并没有任何自主决策权。
我做个类比：AI 辅助编码系统就像一个刚毕业的医学生，它照着教科书和既往病例给出诊断建议，但医嘱单上签字的人还是主治医师。现在医院账单出了问题，你不能说“是那个医学生的责任”——真正该反思的是带教制度、签字流程和质控体系。
2. 医院收费异常的技术剖析：AI 计费系统为何会“出错”
既然 AI 只是辅助环节，为什么会产生近 10 亿美元的偏差？我按实际项目经验，拆成几个具体技术层面的原因。
2.1 编码语义歧义与 DRG 分组错配
AI 编码的核心任务是从病历文本中提取诊断和手术操作信息，映射到 ICD-10 代码。问题在于，病历文本天然具有模糊性。一个“疑似肺炎”在病历里的表达可能是“社区获得性肺炎可能性大，待排除病毒性感染”，AI 模型如果只做关键词匹配，会把“待排除”也当成确诊，导致编码升级。别小看一个代码的差异，从 J18.9（未特指肺炎）升到 J15.9（细菌性肺炎，未特指），直接影响 DRG 分组和费用权重。
BCBS 通报里提到的“编码升级”问题，很多就是这么来的。我把这种错误归为“临床语境理解不足”——AI 读懂了词，没读懂句子。
2.2 费率表版本不一致导致费用计算错误
另一个高频问题出现在费率表版本管理上。医院和保险公司的费率表每年更新，CMS（美国联邦医疗保险与医疗补助服务中心）每年也会调整 DRG 权重系数。但现实中经常出现的情况是：医院计费系统已经升级到最新费率版本，保险公司的核赔系统还在用上一季度的版本，两边的价格基准差了 6% 到 15%。AI 预估费用的时候基于医院侧版本，保险公司复核时用的却是另一个版本，这中间的差价在数千张账单的规模下，就会滚成亿级金额。
这种情况在我的实际项目里太常见了。我接手过一家中型医院的信息化改造，光是费率表同步滞后这一个问题，就导致三个月内账务差异 400 多万人民币。技术层面没有任何复杂问题，纯粹是同步机制缺失。
2.3 重复计费与捆绑计费的 AI 识别盲区
AI 在识别重复计费、拆分捆绑计费这类问题上，能力是有限的。比如某些手术项目的费用本身就包含耗材、药品、护理包，但医院人工提交账单时，把其中的耗材单独列一项收费。AI 系统如果只按“项目名称是否重复”来判断，而不对包含关系建模，就会漏掉这类违规。
更麻烦的是，AI 模型训练时用的历史数据本身可能就有问题。如果医院过去大量存在隐性拆分计费，模型学到的是“这是正常模式”，后续不但不会标记异常，还会主动生成类似的计费组合。这就是典型的“垃圾进、垃圾出”。
3. 从“AI 的错”看责任链：真正的漏洞在哪里
BCBS 的声明把重点放在 AI 上，但我更关心的是这套医疗计费体系里长期存在的结构性漏洞。
3.1 预授权自动化与“沉默批准”的副作用
很多保险公司的预授权环节已经高度自动化。医院提交预授权请求后，AI 系统根据历史赔付数据和临床指南做初步判断。以前人工审批时代，碰到模糊案例，审核员会打电话跟医院沟通，确认诊疗细节；现在自动化系统只有在判断分数低于阈值时才会转人工，其余一律“沉默批准”。
这个机制本身是为了提升效率，但它的副作用是：大量编码有偏差的账单在预授权阶段没有被拦截，直接进入赔付流程。等到季度对账时才发现问题，源头已经很难追溯了。换句话说，AI 在这里的角色是“闸门”，但闸门太松了。
3.2 人在回路（HITL）机制严重不足
真正的 AI 计费审核系统，应该设人在回路的复核机制。比如 AI 标记出高风险账单后，必须由具备临床知识和计费知识双重背景的审核员复核。但现实是，很多医院和保险公司的核赔部门人手严重不足，AI 标记了异常，也没人去深挖，或者只是形式化地看一遍。
我在实际项目中推过一个规则：AI 标记的所有“高风险编码升级”类账单，必须由至少有 3 年编码经验的资深编码员复核后才能提交。实施后第一季度，账单争议率下降了 28%。这个数字说明，AI 不是没用，而是缺少一个有效的复核层。
3.3 缺乏对 AI 模型行为的持续审计
保险公司和医院部署 AI 系统后，普遍缺乏对模型行为的持续审计。模型上线时跑过验证集，精度达标，但临床实践、编码指南、医保政策是动态变化的。2023 年有效的编码组合，2025 年可能已经被 CMS 判定为违规绑定。没有人定期回测模型表现，问题就会积少成多。
BCBS 这个案例里，近 10 亿美元的“可疑收费”不是一次审计发现的，大概率是长期累积的结果。这背后的核心问题不是 AI 准不准，而是有没有一套完善的“AI 系统运营监控机制”。
4. 实操破局：医疗计费 AI 系统的治理与纠错方案
说完了问题，我分享一些可以落地的应对措施。这些思路不限于美国医疗体系，对国内医院和保险机构的医保控费系统同样有参考价值。
4.1 建立分层审核规则引擎
不要指望一个 AI 模型解决所有问题。我在实践中最有效的方案是“规则引擎+机器学习模型”的分层审核架构：
- 第一层：硬规则层。比如“单项费用超上限”“医保限定支付范围外用药”“诊疗项目与科室不符”等确定性违规，直接拦截。
- 第二层：模型预测层。用梯度提升树或深度学习模型预测账单的异常概率，输出风险评分。
- 第三层：人机协同层。风险分数超过阈值（比如前 5%）的账单转入人工审核队列。
这套架构的核心逻辑是：确定性错误交给规则，概率性错误交给模型，决策性错误交给人。BCBS 的案例里，很多异常账单其实是硬规则就能拦截的，但某些环节完全交给了 AI 模型判断，模型的能力边界被高估了。
4.2 对 AI 辅助编码增加“双签名”机制
所谓双签名，是指 AI 生成的编码建议必须经过两个人确认：一个是临床医生确认诊断和治疗操作的准确性，另一个是编码员确认 ICD-10 映射和 DRG 分组的正确性。
这个机制在实施初期会增加工作量和流程时间，但对高风险账单来说绝对值得。我建议先在预授权环节启动双签名，对压力最大、金额最高的 10% 账单做强制复核，把审核资源用在刀刃上。
4.3 定期回测与费率表版本自动同步
针对费率表不一致的问题，技术上没有难度，难的是流程意识。建议：
- 费率表版本统一由财务部或保险合作部门管理，线上线下化。
- 每月自动比对医院计费系统中的费率版本与保险公司最新赔付规则版本。
- 差异超过 2% 时自动触发告警，暂停该项目的自动计费，转人工处理。
算法层面，每季度用最新赔付数据回测编码推荐模型，计算编码准确率、DRG 分组准确率和费用预估误差，误差超过 5% 必须重新训练或调参。
4.4 构建计费异常知识库
这个容易被忽略，但特别重要。每次发现新的计费异常类型，都应该沉淀到知识库中。比如某种手术组合在特定保险计划下容易被判为重复收费，或者某类病历表述容易触发编码过度细化，都要记录下来。知识库既是规则引擎更新的来源，也是人工审核员培训的教材。
我在一个项目中把知识库和审核工单系统打通，审核员处理异常时可以直接看到同类问题的历史记录和处理建议，平均单张账单的审核时间从 12 分钟降到了 6 分钟。
5. 医疗 AI 的应用边界：哪些事该自动化，哪些事必须人工
这次事件给行业最大的启示，不是“AI 不行”，而是我们对 AI 的能力边界认知太模糊。
5.1 适合 AI 参与的环节
- 病历编码建议：AI 可以在医生书写病历后第一时间给出编码候选，缩短人工编码的时间。
- 费用预估与患者自付费用计算：基于历史赔付数据给患者提供初步费用参考。
- 重复计费筛查：适合用规则引擎高频扫描，成本和速度优势明显。
- 预授权初筛：按临床指南和赔付政策做第一轮筛选，符合条件的自动通过。
5.2 必须保留人工审核的环节
- 高风险大额账单的最终确认。
- 涉及新术式、新药、罕见病诊疗的编码判断。
- 医学伦理与合规审查相关的争议处理。
- 患者提出异议后的申诉复核。
BCBS 这次涉及的“可疑收费”，很多金额巨大的账单属于上述必须人工审核的范畴。问题在于，自动化浪潮中某些机构为了压成本，把人工审核环节压缩到极致，等于让 AI 做了它能力之外的事。
5.3 设置 AI 运营指标体系
没有指标就没办法管理。建议每个医疗计费 AI 系统都设置以下核心指标：
- 编码推荐准确率：AI 建议的编码与实际审核通过编码的一致率。
- 异常账单召回率：AI 标记的异常账单占实际异常账单的比例。
- 人工复核转化率：进入人工队列后确认违规的比例。
- 平均账单处理时长：从提交到赔付决定的周期。
- 争议率：被支付方驳回或被患者投诉的账单占比。
定期跟踪这些指标，才能及时发现系统偏离预期的问题。
6. 常见问题速查与项目落地建议
最后整理一些高频问题和实用建议，供同行直接参考。
6.1 常见问题速查表
| 问题现象 | 可能原因 | 排查思路 |
|---|---|---|
| 编码升级频繁 | 病历术语识别过度匹配 | 检查模型对否定词、疑似表述的识别能力 |
| 同一手术多次收费 | 包含关系建模缺失 | 补充手术项目与耗材的包含关系规则 |
| 费率计算结果与保险不一致 | 费率版本未同步 | 比对两端费率表版本号与生效日期 |
| AI 标记异常太多，人工跟不上 | 阈值设置过严 | 动态调参，按历史违规率校准阈值 |
| 模型上线后越来越不准 | 数据分布漂移 | 定期监控特征分布和预测分数分布 |
6.2 落地实施的三步走
第一步，先做审计后做预测。把过去 6 到 12 个月的赔付数据拉出来，逐个排查异常，先把存量问题摸清，建立一个基准线。
第二步，规则优先、模型迭代。先用确定性规则搭建第一版审核系统，跑通流程后再逐步引入机器学习模型预测异常概率，模型效果有数据支撑后扩大应用范围。
第三步，建立跨部门协同机制。计费 AI 系统不是信息部门自己的事，必须让财务、临床科室、编码组和医保办都参与进来，形成月度复盘机制。BCBS 案例证明，单纯依赖技术手段解决不了体系问题，组织机制跟上了，系统才能落地。
6.3 一些经验心得
我在医疗信息化领域的实际体会是：AI 系统上线前，一定要先做好数据治理，尤其是编码数据的标准化。很多项目失败不是模型不行，是输入数据一塌糊涂。另外，别迷信模型的准确率指标，计费这个场景错误样本极其稀缺，准确率高不代表模型用得好。
还有一点很关键：所有 AI 决策都要留痕。不是技术上难，而是出事之后要有据可查。BCBS 这次事件如果记录完整，AI 到底是辅助还是背锅，就能一目了然。医疗计费这个领域，缺的不是先进技术，而是严谨的流程思维。技术负责提速，人负责踩刹车，缺了哪个环节，早晚都会出事。
