Enquête AKASA HFMA : 80 % des hôpitaux testent l'IA
L'enquête AKASA HFMA, publiée le 17 décembre 2025, révèle que 80 % des systèmes de santé américains explorent, testent ou déploient l'IA générative pour la gestion du cycle de revenus, contre 58 % qui l'envisageaient seulement en 2023. Un utilisateur, Methodist Health System, affirme que l'outil a retiré 71 % des dossiers des files d'attente du personnel. Pour les équipes financières des hôpitaux, la cible est le revenu perdu à cause d'erreurs de codage : les répondants l'estiment à 8,49 % du revenu total.
Pourquoi les équipes du cycle de revenus perdent de l'argent sur la documentation
Les systèmes de santé perdent des revenus quand la documentation clinique et les codes sont incomplets. Dans l'enquête, 89 % des responsables financiers ont dit que des codes manquants ou inexacts affectent les revenus, et 51 % ont qualifié l'impact de significatif ou très significatif. En moyenne, les répondants ont estimé que 8,49 % du revenu total est à risque à cause de problèmes de documentation ou de codage.
Plus d'un quart des responsables ont cité la documentation incomplète comme leur principal défi, devant le personnel et les limites technologiques. Jeff Francis, directeur financier de Methodist Health System à Omaha, dans le Nebraska, a chiffré cette part en dollars : 8 % du revenu d'une organisation de 1 milliard de dollars représentent environ 80 millions de dollars.
Combien de systèmes de santé utilisent l'IA générative pour le cycle de revenus
L'adoption a progressé vite. En 2025, 80 % des systèmes de santé disent explorer, tester ou déployer des outils d'IA générative pour la gestion du cycle de revenus, un bond de 38 % en moins de deux ans. En 2023, 58 % ne faisaient que l'envisager. Aujourd'hui, environ 40 % testent ou déploient, 39 % explorent et 20 % n'ont pas commencé.
AKASA, une entreprise de South San Francisco qui vend de l'IA générative pour la gestion du cycle de revenus des hôpitaux, a commandé l'enquête. HFMA l'a menée dans le cadre de son programme Pulse Survey en avril 2025 et a recueilli les réponses de 519 directeurs financiers et responsables du cycle de revenus d'hôpitaux et de systèmes de santé de tout le pays.
Pourquoi les petits systèmes de santé sont en retard sur l'IA
La taille divise le marché. Parmi les petits systèmes de santé, dont le revenu se situe entre 500 millions et 1 milliard de dollars, environ 20 % testent ou déploient, contre 64 % des grands systèmes. L'enquête décrit ces systèmes de taille moyenne comme parmi les adoptants les plus prudents, freinés par des priorités concurrentes et une capacité informatique limitée.
Les répondants ont le plus souvent cité comme freins l'intégration aux systèmes existants, le coût et le budget, et la sécurité des données. Pour les grands systèmes, les contraintes de coût et de budget étaient le premier défi, à 52,5 %. Les dirigeants ont aussi pointé l'absence de retour sur investissement clair.
Ce qu'AKASA fait tourner pour Methodist Health System
Methodist Health System travaille avec AKASA depuis 2019 pour accélérer le règlement des demandes de remboursement. L'outil automatise des tâches du cycle de revenus comme la vérification du statut d'une demande sur les portails web des payeurs, pour que le personnel passe du suivi auprès des assureurs à d'autres tâches du cycle de revenus.
AKASA combine une connaissance du cycle de revenus et des grands modèles de langage sur mesure entraînés sur les données cliniques et financières propres à un système de santé. Methodist l'utilise aussi pour la revue du codage avant la facturation d'une demande. Jeff Francis a dit que le système envoyait auparavant une demande refusée ou sous-payée à un tiers des mois plus tard ; désormais, le contrôle a lieu avant la facturation, si bien que la demande est correcte du premier coup et que l'argent arrive plus tôt.
Ce que l'IA a changé pour le personnel des remboursements
Selon une étude de cas, l'IA a retiré 71 % des dossiers des files d'attente du personnel et a effectué le travail de suivi de statut de près de 14 employés à temps plein. AKASA indique avoir réglé les demandes de 56 118 dossiers en huit mois, économisant 5 559 heures de travail sur la période.
Jeff Francis a décrit le résultat en termes d'effectifs. Methodist a libéré l'équivalent de huit postes à temps plein, et ces personnes traitent désormais les demandes plus difficiles, avec ce qu'il a appelé un meilleur rendement. Le système de santé envisage maintenant d'automatiser l'autorisation préalable.
Ce que cela change pour les équipes financières des hôpitaux
Pour une équipe financière d'hôpital, le travail que l'IA prend en charge est concret : vérifications de statut des demandes, revue du codage avant facturation et repérage des lacunes de documentation. Interrogés sur l'endroit où l'IA générative pourrait faire la plus grande différence, près de 60 % des répondants ont cité les occasions de remboursement manquées, 57 % les lacunes de la documentation clinique et 33 % les indicateurs de qualité manqués.
La plupart des systèmes paient déjà une aide extérieure : 55 % font appel à des prestataires d'intégrité de la documentation clinique et 76 % à des prestataires de codage, et l'enquête juge l'adoption fragmentée. Malinka Walaliyadde, directrice générale d'AKASA, a dit que les fournisseurs devraient utiliser des intégrations normalisées avec les API du dossier médical électronique qu'un système exploite déjà, pour que les petits systèmes supportent une moindre part de la charge informatique.
« L'occasion d'améliorer l'exactitude de la documentation est claire, mais elle exige de l'investissement, de la confiance et une feuille de route qui intègre la technologie aux flux de travail existants de façon responsable. » — Malinka Walaliyadde, PDG et cofondatrice d'AKASA
Questions et réponses
Quelle part des systèmes de santé utilise l'IA dans la gestion du cycle de revenus ?
Dans l'enquête, 80 % des systèmes de santé ont dit explorer, tester ou déployer l'IA générative pour la gestion du cycle de revenus en 2025. Environ 40 % la testaient ou la déployaient déjà, et 20 % n'avaient pas commencé.
Combien de revenus les erreurs de codage mettent-elles en danger ?
Les répondants ont estimé qu'en moyenne 8,49 % du revenu total est à risque à cause de problèmes de documentation ou de codage. 89 % ont dit que des codes manquants ou inexacts affectent les revenus.
Qui a mené l'enquête et qui y a répondu ?
HFMA l'a menée dans le cadre de son programme Pulse Survey en avril 2025, à la demande d'AKASA. 519 directeurs financiers et responsables du cycle de revenus d'hôpitaux et de systèmes de santé américains ont répondu.
Le regard de MOZGII
Comment nous le construirions
Un assistant IA de remboursement comme celui de Methodist fait trois choses : il lit le statut des demandes sur les portails des payeurs, il vérifie les codes par rapport aux notes cliniques avant l'envoi d'une facture, et il oriente les cas difficiles vers des personnes. Nous construirions ces trois parties séparément. Le vérificateur de statut est surtout de la plomberie et devrait tourner sans modèle de langage du tout. La revue du codage est l'endroit où un modèle entraîné sur les notes et les anciennes demandes de l'hôpital gagne sa place, et où les erreurs coûtent le plus.
Nous garderions un codeur certifié dans la boucle pour chaque changement suggéré par le modèle, jusqu'à ce que le taux d'erreur soit connu par payeur et par ligne de service. Chaque suggestion porterait le texte de la note sur lequel elle s'appuie, pour qu'un auditeur voie pourquoi un code a été ajouté. Les portails des payeurs changent sans prévenir ; le vérificateur de statut aurait donc besoin d'alarmes qui se déclenchent quand il se met à échouer en silence.
L'indicateur que nous suivrions est la part des demandes payées dès la première soumission. Les heures économisées sont faciles à compter, mais elles ne montrent pas si les revenus sont rentrés. Ensuite, nous construirions l'autorisation préalable, que Methodist cite déjà, car elle s'appuie sur les mêmes notes et les mêmes règles des payeurs.
Sources
D’où viennent les faits de cet article.