JAKARTA, DKI JAKARTA — Berdasarkan laporan yang diterbitkan pada 9 October 2026, Artinya, ada kenaikan Rp5 juta akibat diagnosis tambahan yang ditemukan oleh AI. Dalam periode 2023-2025, sekitar 55.158 kasus tambahan dikategorikan sebagai kasus kompleks dibandingkan dengan kondisi baseline pada 2023.
Keterangan yang tercatat menyebut Menurut riset BCBSA, dalam sistem pembayaran rumah sakit di Amerika Serikat, tingkat pembayaran salah satunya ditentukan berdasarkan Diagnosis Related Groups (DRG). Menurut Kementerian Kesehatan, tingkat keparahan INA-CBG dapat dipengaruhi oleh diagnosis sekunder yaitu penyakit penyerta atau komplikasi yang dimiliki pasien.
Data lain dalam laporan menunjukkan Kasus-kasus tersebut menghasilkan sekitar US$653 juta tambahan reimbursement atau sekitar US$11.800 per kasus. Secara total, BCBSA memperkirakan perubahan coding tersebut telah menambah biaya klaim sekitar US$942 juta bagi sistem Blue Cross Blue Shield dalam 2 tahun. Temuan BCBSA ini bukan yang pertama kali. Dalam issue brief Maret 2026, BCBSA menganalisis coding intensity pada layanan rawat inap dan menemukan bahwa coding intensity berkontribusi terhadap peningkatan biaya inpatient meskipun tidak terlihat perubahan yang sepadan dalam layanan yang diberikan. Misalnya, pada layanan maternity, BCBSA memperkirakan coding intensity menyumbang sekitar US$22 juta tambahan spending dalam periode analisis.
Informasi lain yang berkaitan dengan peristiwa tersebut mencakup Jakarta, Penggunaan Artificial Intelligence (AI) ternyata tidak selalu berdampak positif pada efisiensi biaya. Temuan Riset Blue Corss Blue Shield Association (BCBSA) menemukan fakta lain yang menunjukkan bahwa peningkatan penggunaan AI dalam coding rumah sakit justru menyebabkan lonjakan biaya tagihan rumah sakit yang ditanggung oleh asuransi atau pasien. Rumah sakit biasanya menggunakan AI untuk membuat kode diagnosis dan tagihan pasien. Tanpa AI, penentuan kode diagnosis dilakukan oleh coder atau tenaga medis dengan cara kerja manual yaitu membaca rekam medis pasien satu per satu. Dengan AI, prosesnya bisa jauh lebih cepat sehingga membantu mempercepat pekerjaan coder.
Teknologi AI bisa membaca rekam medis, catatan dokter, hingga hasil pemeriksaan laboratorium. Dari data tersebut, AI dapat menemukan kondisi atau diagnosis lain yang mungkin bisa dimasukkan ke dalam tagihan. Memang sekilas penggunaan AI membuat dokumentasi rumah sakit menjadi lebih lengkap dan pekerjaan administratif bisa lebih cepat. Akan tetapi, semakin banyak diagnosis yang dicantumkan, ternyata semakin tinggi tingkat kompleksitas pasien dalam sistem pembayaran rumah sakit. Akibatnya, pembayaran dari perusahaan asuransi kepada rumah sakit ikut naik. Pasien dikelompokkan berdasarkan jenis penyakit dan tingkat kompleksitasnya. Semakin kompleks kondisi pasien, semakin tinggi pembayaran yang dapat diterima rumah sakit. Persoalannya, kompleksitas tersebut tidak hanya ditentukan oleh penyakit umum tetapi diagnosis tambahan juga bisa membuat sebuah klaim masuk ke kelompok yang lebih mahal. Untuk mempermudah pemahaman mengenai relevansi pengaruh penggunaan AI dalam diagnosa terhadap peningkatan biaya rumah sakit, Research mencoba mensimulasikan dalam sistem JKN di Indonesia. Salah satu mekanisme pembayaran rumah sakit dalam program JKN menggunakan INA-CBG (Indonesia Case Base Groups) dimana pasien dikelompokkan berdasarkan penyakit, tindakan, dan tingkat keparahan kasusnya. Dari pengelompokan tersebut kemudian ditentukan besaran tarif paket yang dibayarkan. Nah, ketika proses diagnosa dilakukan oleh AI dengan menggunakan coding dan menemukan banyak diagnosis tambahan maka diagnosis tambahan tersebut akan menambah biaya yang harus dibayar ke rumah sakit. Misalnya, perusahaan asuransi bekerja sama dengan rumah sakit dengan paket dasar sebesar Rp20 juta per kasus operasi dan paket kompleks sebesar Rp25 juta per kasus operasi. Ketika pasien menjalani operasi tanpa ada diagnosis tambahan maka tarif klaimnya sesuai dengan paket dasar. Akan tetapi, bila ada diagnosis tambahan maka tarif yang dikenakan adalah paket kompleks. Contoh lain adalah analisis hasil laboratorium. Ketika AI membaca hasil laboratorium dan menemukan bahwa hemoglobin pasien rendah karena kemungkinan anemia maka hasil tersebut akan direkomendasikan kepada coder. Jika diagnosis tersebut dimasukkan dan memenuhi aturan coding, maka profil kompleksitas klaim dapat berubah. Belum lagi ketika diagnosis AI merekomendasikan untuk tes lab lanjutan untuk menguji dugaan temuan dalam hasil lab sebelumnya. Temuan BCBSA ini membuat rumah sakit harus lebih hati-hati dalam menggunakan AI agar ujungnya tidak merugikan perusahaan asuransi atau pasien. Rumah sakit atau perusahaan asuransi harus punya cara untuk memastikan bahwa diagnosis AI memang sesuai dengan kondisi dan perawatan pasien. Pasalnya, temuan BCBSA menunjukkan bahwa pasien dengan diagnosis kompleks mendapatkan perawatan tambahan. Riset dilakukan secara mendalam pada kelompok major bowel procedures yaitu prosedur operasi yang berkaitan lain dengan kanker usus besar dan penyakit divertikular. Hasilnya, pada 2023-2025, klaim dengan tingkat kompleksitas tertinggi atau MCC naik dari 20,2% menjadi 22,7%. Sebaliknya, klaim yang dianggap tidak kompleks turun dari 36,6% menjadi 32,8%. Artinya, semakin banyak pasien yang dikategorikan sebagai pasien kompleks, tetapi di sisi lain layanan yang diberikan tidak menunjukkan peningkatan. Sebanyak 25% rumah sakit teratas dengan pertumbuhan coding paling tinggi justru mencatat kasus kompleks jauh lebih banyak, tetapi penggunaan ICU justru rendah, tingkat transfusi lebih rendah, dan lama masa rawat sama. BCBSA menyebut pola seperti ini sebagai clinical discordance yaitu ketika diagnosis yang tercatat dalam klaim tidak sepenuhnya sesuai dengan perawatan yang diberikan. Bila kondisi ini dibiarkan, diagnosis AI ini bisa menjadi sumber baru kenaikan inflasi medis yang sekarang menjadi isu krusial di industri asuransi kesehatan nasional. Dengan semakin masifnya rumah sakit di Indonesia penggunaan AI, bukan tidak mungkin kondisi yang terjadi di Amerika Serikat ini bisa terjadi di Indonesia. Bagi perusahaan asuransi, temuan ini memberikan pekerjaan rumah baru. Perusahaan asuransi tidak cukup hanya melihat berapa banyak tindakan yang dilakukan tetapi juga perlu melihat hubungan diagnosis, treatment, penggunaan sumber daya, dan nilai klaim. Dalam rezim regulasi asuransi kesehatan yang berlaku saat ini, peran ini mungkin menjadi tanggungjawab Medical Advisory Board (MAB) dari perusahaan asuransi. AI memang membantu rumah sakit semakin pintar menemukan dan mencatat diagnosis pasien. Akan tetapi, dalam sistem pembayaran yang memberikan reimbursement lebih tinggi untuk pasien dengan tingkat kompleksitas lebih tinggi, kemampuan tersebut juga dapat meningkatkan biaya kesehatan. Oleh karena itu, tantang perusahaan asuransi di masa depan bukan hanya mengendalikan overutilization, tetapi juga memastikan coding yang digunakan benar-benar mencerminkan kondisi pasien. Ketika dulu medical inflation terutama dipicu oleh harga dan jumlah layanan, kini di era AI muncul faktor baru yang tidak boleh diabaikan yaitu seberapa kompleks pasien dikodekan.
