Masalah Koding dalam Angka
Dalam sistem layanan kesehatan Indonesia, skala kesalahan koding ICD bukan sekadar ketidaknyamanan administratif kecil — melainkan masalah finansial yang sistemik. BPJS Kesehatan (Badan Penyelenggara Jaminan Sosial Kesehatan), badan jaminan kesehatan nasional Indonesia, memproses ratusan juta klaim setiap tahun. Sebagian signifikan dari klaim tersebut ditolak atau direvisi akibat kekurangan dokumentasi dan koding.
Analisis industri memperkirakan bahwa kesalahan koding ICD berkontribusi secara signifikan terhadap tingkat penolakan klaim (denial) di fasilitas kesehatan Indonesia — dengan sebagian perkiraan menyebut bahwa hingga 20-30% penolakan klaim pada kategori fasilitas tertentu memiliki komponen dokumentasi atau koding. Dampak finansialnya bagi sistem mencapai puluhan triliun rupiah per tahun (sumber: laporan tahunan BPJS Kesehatan; analisis independen dari asosiasi rumah sakit Indonesia).
Masalah yang sama muncul dalam berbagai bentuk di pasar Asia Tenggara lain yang memiliki program jaminan kesehatan nasional, dan di sistem asuransi swasta di mana akurasi koding menentukan tarif penggantian biaya (reimbursement).
Mengapa Koding ICD Itu Sulit
International Classification of Diseases bukanlah tabel pencarian sederhana. ICD-10 memuat lebih dari 70.000 kode; ICD-11 (standar WHO terkini, yang sedang ditransisikan oleh Indonesia) memuat lebih dari 55.000 entitas dasar dengan kemampuan klasifikasi yang bahkan lebih rinci.
Koding yang akurat menuntut petugas koding untuk:
- Mengidentifikasi dengan benar seluruh diagnosis yang terdokumentasi dalam catatan klinis
- Memahami struktur hierarkis sistem koding ICD
- Menerapkan tingkat spesifisitas yang tepat (memakai kode "tidak spesifik" padahal kode spesifik tersedia adalah kesalahan umum yang memicu penolakan klaim)
- Mengurutkan kode dengan benar ketika ada beberapa diagnosis (diagnosis utama vs. diagnosis sekunder)
- Menerapkan kode prosedur (ICD-9-CM atau ICD-10-PCS) yang sesuai secara akurat dengan tindakan yang terdokumentasi
- Mengikuti pembaruan koding, pedoman, dan aturan spesifik dari masing-masing pembayar/penjamin
Ini adalah pekerjaan yang menuntut keahlian dan beban kognitif tinggi. Di banyak fasilitas di Indonesia, koding ICD dikerjakan oleh staf rekam medis atau tenaga administrasi yang telah memperoleh sebagian pelatihan namun bukan koder klinis bersertifikat. Kompleksitas tugas yang dipadukan dengan volume klaim menciptakan kondisi yang rawan kesalahan sistematis.
Cara Kerja Bantuan Koding AI
Sistem koding berbantuan AI menangani masalah ini dengan dua cara:
Saran Koding di Titik Dokter
Terintegrasi ke dalam alur kerja dokumentasi klinis, sistem ini menganalisis catatan klinis dokter secara real time dan menyarankan kode diagnosis ICD saat catatan sedang ditulis atau ditinjau. Dokter melihat kode yang disarankan berdampingan dengan teks klinis, dapat menerima atau memodifikasi saran tersebut, dan kode yang diterima diisikan ke dalam formulir klaim. Pendekatan ini menangkap kesalahan koding di sumbernya — sebelum klaim diajukan — bukan setelah ditolak.
Audit Pra-Pengajuan
Untuk fasilitas yang memproses klaim secara batch, alat audit AI dapat meninjau paket klaim yang sudah lengkap sebelum diajukan, menandai kemungkinan kesalahan: kode wajib yang hilang, ketidaksesuaian spesifisitas, kombinasi kode yang tidak masuk akal, serta celah dokumentasi yang akan memicu penelaahan ketat dari pembayar/penjamin. Ini berfungsi sebagai lapisan penjaminan mutu yang beroperasi dalam skala besar — meninjau ratusan atau ribuan klaim dalam waktu yang dibutuhkan auditor manusia untuk meninjau sebagiannya saja.
Micromeet — AI for governed healthcare. AI menyusun draf. Dokter yang memutuskan. Lihat benchmark publik kami →
Transisi dari ICD-10 ke ICD-11
Sistem layanan kesehatan global sedang berada di tengah transisi dari ICD-10 ke ICD-11. WHO secara resmi mengaktifkan ICD-11 untuk keperluan pelaporan pada Januari 2022. Kementerian Kesehatan Indonesia (Kemenkes) telah berupaya menuju adopsi ICD-11, yang merupakan perubahan signifikan bagi para koder klinis dan sistem yang mendukung mereka.
ICD-11 memperkenalkan struktur koding yang lebih rinci dan fleksibel, dengan desain yang mengutamakan format digital dan berbeda secara substansial dari struktur ICD-10. Sistem koding AI yang dibangun khusus untuk ICD-11 memiliki keunggulan dibandingkan sistem yang dirancang untuk ICD-10 lalu berupaya mempertahankan kompatibilitas mundur — model data yang mendasarinya cukup berbeda sehingga sistem ICD-11 yang dirancang khusus dapat memanfaatkan struktur klasifikasi yang lebih baik untuk menghasilkan kualitas saran yang lebih tinggi.
Integrasi dengan Alur Kerja Claim Readiness
Nilai penuh dari bantuan koding AI terwujud ketika ia terintegrasi ke dalam alur kerja klaim asuransi yang lebih luas — menghubungkan dokumentasi klinis melalui koding hingga pengajuan dan adjudikasi. Ini berarti sistem AI yang mampu berkomunikasi dengan platform pembayar/penjamin dalam format standar, menerapkan aturan koding spesifik tiap pembayar/penjamin, dan memberikan skor keyakinan pra-pengajuan yang membantu memprioritaskan peninjauan manusia atas klaim berisiko tinggi.
Tujuannya bukan menghilangkan pengawasan manusia dari proses klaim — yang membawa konsekuensi finansial dan hukum terlalu besar untuk diproses secara sepenuhnya otomatis — melainkan memusatkan perhatian para pakar manusia pada bagian yang paling membutuhkannya: kasus kompleks, kasus tepi (edge case), dan klaim bernilai tinggi yang akurasinya paling krusial.
Menyusun Argumen Investasi
Bagi administrator keuangan layanan kesehatan yang mengevaluasi investasi koding AI, perhitungan laba atas investasi (ROI) secara prinsip relatif lugas: berapa persen pengurangan tingkat penolakan klaim (denial) yang dapat diatribusikan pada alat koding tersebut, dan berapa nilai pendapatan dari perbaikan itu? Tantangannya adalah tingkat penolakan dipengaruhi banyak faktor di luar akurasi koding, sehingga mengisolasi komponen koding membutuhkan pengukuran baseline yang cermat dan implementasi yang terkendali.
Fasilitas yang telah menetapkan metrik baseline yang jelas untuk tingkat penolakannya saat ini, dikategorikan berdasarkan alasan penolakan, berada pada posisi terbaik untuk mengevaluasi dampak alat otomasi koding dan menyusun argumen bisnis investasi yang kredibel.
