返回列表
医保支付模式重大变革:Medicare ACCESS计划为AI医疗开辟新赛道
行业新闻AI医疗医疗政策慢性病管理

医保支付模式重大变革:Medicare ACCESS计划为AI医疗开辟新赛道

美国联邦医疗保险(Medicare)推出的ACCESS计划标志着医疗支付模式的重大转型。该计划为期10年,旨在通过奖励健康成果而非诊疗次数,为AI驱动的医疗服务提供合法的支付渠道。Pair Team等150家机构入选首批试点,重点针对糖尿病、高血压等慢性病管理。这一变革解决了传统模式下AI监测与协调工作无法获得报酬的痛点,为AI在受监管行业的大规模应用铺平了道路。

Hacker News

核心要点

  • 支付逻辑重构:Medicare启动ACCESS计划,将支付标准从“按服务次数付费”转向“按健康成果付费”。
  • AI价值合法化:首次为AI代理在患者监测、随访及协调工作中的贡献建立了官方支付机制。
  • 长期试点规模:这是一项为期10年的CMS计划,首批选定150家机构(如Pair Team)参与,将于7月5日上线。
  • 覆盖核心慢病:重点针对糖尿病、高血压、慢性肾病、肥胖、抑郁症和焦虑症等领域。

详细分析

支付模式的范式转移

传统的Medicare报销体系主要基于临床医生投入的时间和进行的具体医疗活动。这种模式在很大程度上限制了AI技术的应用,因为AI代理在两次就诊之间进行的自动化患者监测、电话随访或社会资源协调工作,在旧体系下往往无法获得报酬。ACCESS计划(全称:通过有效、可扩展的解决方案推进慢性病护理)打破了这一僵局。它不再强制要求特定的活动次数,而是根据患者是否达到可衡量的健康目标(如血压降低、疼痛减轻)来向参与机构支付费用。这种结构使得高效的AI自动化工具能够通过提升患者健康水平来直接创造经济价值。

AI在慢性病管理中的新角色

作为入选该计划的150家机构之一,Pair Team的案例展示了AI如何填补传统医疗服务的空白。在ACCESS计划的框架下,参与机构会收到用于管理特定病情的预测性付款,只有当患者达到健康指标时,机构才能获得全额报酬。这种机制鼓励开发能够全天候监控患者状态、确保药物依从性并处理复杂协调工作的AI系统。Pair Team创始人Neil Batlivala指出,政府正在为受监管行业的AI创新创造“赛道”,让最有效的技术解决方案在竞争中获胜,这在以往高度监管的医疗行业中是不常见的。

行业影响

该计划的实施对AI行业具有深远意义。首先,它解决了AI医疗商业化的核心难题——“谁来买单”。通过建立基于成果的支付机制,联邦政府实际上在鼓励技术公司开发能够切实改善患者预后的AI工具,而非仅仅是辅助医生录入文档的工具。其次,这标志着受监管行业正从流程导向向结果导向转变,为AI在更广泛的公共服务和高度监管领域的规模化应用提供了政策蓝图。对于硅谷等科技中心而言,这预示着一个长期被忽视的庞大市场——联邦医疗保险受众,正成为AI创新的前沿阵地。

常见问题

什么是ACCESS计划?

ACCESS全称为“通过有效、可扩展的解决方案推进慢性病护理”(Advancing Chronic Care with Effective, Scalable Solutions),是美国联邦医疗保险和联邦医疗补助服务中心(CMS)发起的一项为期10年的试点项目,旨在测试联邦规模下的AI驱动医疗模式。

为什么说该模型是为AI量身定制的?

因为传统模型只为医生的时间付费,而AI的优势在于持续的、非人工的监测与协调。ACCESS模型转而为“健康结果”付费,这意味着能够通过自动化手段有效改善患者健康的AI系统,现在可以合法地获得联邦资金支持,解决了AI在医疗体系中的变现难题。

相关新闻

ACL 2026美团技术团队论文精选:深度解析大模型评测与推理优化新范式
行业新闻

ACL 2026美团技术团队论文精选:深度解析大模型评测与推理优化新范式

美团技术团队在自然语言处理顶级会议ACL 2026中共有6篇论文被收录。这些研究涵盖了大模型评测、复杂流程推理、竞赛级数学思维优化、强化学习优化及生成式推荐等前沿领域。本文将深入分析美团如何通过这些技术突破,构建生成式AI的新范式,并探讨其对行业发展的深远影响。

美团技术团队分享:用Agent评测思路管理31万行代码AI重构的实战经验
行业新闻

美团技术团队分享:用Agent评测思路管理31万行代码AI重构的实战经验

美团技术团队近期分享了其在AI Coding领域的深度实践。针对90%以上代码由AI生成的现状,团队提出通过Agent评测思路来约束AI能力,防止代码混乱。通过技术债梳理、Rule建设、重构SOP和Pre-PR机制,美团成功完成了31万行代码的重构,将重构工作从高成本专项转变为随迭代持续推进的日常动作。

LARYBench发布:定义具身动作表征“ImageNet”,揭示通用视觉模型显著优势
行业新闻

LARYBench发布:定义具身动作表征“ImageNet”,揭示通用视觉模型显著优势

美团技术团队正式发布LARYBench(Latent Action Representation Yielding Benchmark),这是一个旨在从大规模视觉数据中学习通用隐式动作表征的系统化评测基准。研究表明,通用视觉模型在动作泛化与控制精度上表现优于专门的具身专家模型,并证实了具身动作表征可从大规模人类视频数据中涌现,为具身智能研究提供了全新的度量标准。