医療保険AIクレーム処理 2026 徹底解説 — Cigna・UnitedHealth Optum・Humana・Elevance・CVS Aetna・Oscar + 韓国損保 + 日本生損保

プロローグ — AIが請求を拒否する時代

2023年11月、米STAT Newsが報じた一本のスクープが米医療保険業界全体を揺るがした。UnitedHealth Groupが買収したNaviHealthのnH Predictアルゴリズムが、主治医の臨床判断を90.5%の割合で覆し、患者の介護施設(SNF: skilled nursing facility)入所期間を強制的に短縮させていた、という内部データが公表された。同年12月にはミネソタ連邦地裁に集団訴訟が提起され、2024年にはCignaのPXDX自動拒否システムに対するカリフォルニア集団訴訟、2025年にはHumanaの自動拒否アルゴリズム訴訟も続いた。2026年現在、米上院PSI(Permanent Subcommittee on Investigations)報告書は、メディケア・アドバンテージ大手3社の事前承認(prior authorization)拒否率が通常メディケアの16倍に達すると結論づけている。

同時に、まったく同じテクノロジーが正反対の方向でも動いている。米NHCAA(National Health Care Anti-Fraud Association)は毎年、医療詐欺で流出する金額を保守的に1,000億ドル、広めに見て3,000億ドルと推計する。AIなしではこれを捕まえられない。Optum、Cotiviti、SAS、Shift Technology、ClarisHealthといった企業群が、ICD-10/CPTコードのパターン、請求書のテキスト、処方シーケンス、医療従事者の行動グラフの上でLLMとGBM(gradient boosting machine)を回して詐欺を検知している。

韓国と日本も同じ座標軸に乗っている。2023年10月施行の韓国実損医療保険請求簡素化法(保険業法第102条の6)は、2024年10月に第1段階電子化、2025年10月には診療所・薬局まで拡大、2026年には本格稼働期に入った。サムスン火災海上・DB損保・現代海上・KB損保・メリッツはすべて自社AI自動審査エンジンを運用している。日本では厚労省のオンライン資格確認とマイナ保険証統合の基盤の上で、損保ジャパン・第一生命・ニチイが請求自動化とヘルスケアデータ活用に踏み込んでいる。

この記事はその全地形を一気に整理する。自動クレーム審査、事前承認の自動化、詐欺検知、薬物相互作用、EMR/EHR連携、そしてそれが生む社会的軋轢まで、すべてを。

1. 医療保険クレームの解剖 — 1件の請求が辿る段階

米国の商業医療保険において、1件のクレームが辿る典型的な段階。

要点は、5と6の間がAI自動拒否が最も強く効くポイントであること。そして8段階の不服申立率が1%未満であること。自動拒否はその1%だけ覆されても統計的に黒字になる。

2. ICD-10-CM、CPT、HCPCS — クレームコーディングのアルファベット

AIを理解するにはまずコード体系を知る必要がある。

• ICD-10-CM(International Classification of Diseases, 10th, Clinical Modification): 診断コード。米国は2015年にICD-9から移行。約7万コード。例: E11.9 = 合併症のない2型糖尿病。
• CPT(Current Procedural Terminology): AMAが管理する処置コード。約1万コード。例: 99213 = 外来診察、再診、レベル3。
• HCPCS Level II: CMS管理の補足コード(医療機器・薬剤・非医師サービス)。例: J0696 = セフトリアキソンナトリウム注射、250mg単位。
• NDC(National Drug Code): FDA医薬品識別コード、11桁。
• LOINC: 検査結果識別コード。例: 2345-7 = 血清/血漿中グルコース。
• SNOMED CT: 臨床用語オントロジー。ICD-10より詳細。

2026年の米国はICD-10-CM 2026版を使用し、ICD-11への移行議論が並行中。WHO ICD-11は2022年1月に発効しているが、CMSは米国移行スケジュールを確定していない。韓国はKCD-8(2021年版)、日本は厚労省がICD-10 2013年版を採用。

3. CAC(Computer-Assisted Coding) — コーディングのLLM化

カルテ(臨床ノート、検査結果、画像レポート)からICD-10/CPTコードを抽出する作業を、認定コーダー(coder)が行う。これを自動化したのが**CAC(Computer-Assisted Coding)**で、2020年代後半からLLMがこの領域を急速に侵食している。

# CAC LLM推論の擬似コード(Optum LifeCode、3M 360 Encompass等の一般化)
from langchain.prompts import PromptTemplate
from langchain_anthropic import ChatAnthropic

TEMPLATE = """
You are a certified medical coder (CPC-A) using ICD-10-CM 2026 and CPT 2026.
Analyze the following clinical note and extract ALL applicable codes.

Clinical Note:
{note}

Output JSON:
{{
  "diagnosis_codes": [{{"icd10": "...", "rationale": "..."}}],
  "procedure_codes": [{{"cpt": "...", "modifiers": [...], "rationale": "..."}}],
  "hcpcs": [...],
  "evaluation_management": {{"level": 1|2|3|4|5, "rationale": "..."}}
}}

CRITICAL: Do NOT upcode. If ambiguous, choose lower specificity and flag for human review.
"""

def code_encounter(note: str) -> dict:
    chain = PromptTemplate.from_template(TEMPLATE) | ChatAnthropic(model="claude-opus-4")
    return chain.invoke({"note": note})

要点はupcoding(アップコーディング)防止。AIが意図せずコードを盛ってしまうとFalse Claims Act違反となり、病院は天文学的な和解金を負うことになる(2023年DOJはメディケア詐欺だけで27億ドル回収)。だから保険会社は逆方向、すなわち送信されてきた請求書をdowncoding(ダウンコーディング)するAIを運用する — それが次節の核。

4. Cigna PXDX — 1.2秒で自動拒否するシステム

2023年にProPublicaが暴露したCignaの**PXDX(Procedure-to-Diagnosis)**システムは、米医療保険AI論争の発火点だった。ProPublicaが入手した内部文書によると、Cignaの医療審査責任者(medical director)たちは1件の請求を平均1.2秒で拒否していた — カルテを読まずに。PXDXは請求の診断コードと処置コードのペアが、Cignaが予め定義した「許容マトリクス」に含まれないと自動で拒否を推奨し、医師が一括署名する仕組みだった。

# PXDX類似マトリクスの単純化例(実際のマトリクスは非公開)
診断 ICD-10       | 許容処置 CPT            | 拒否処置 CPT
------------------|-------------------------|------------------------------
M54.5 (腰痛)      | 99213, 97110, 97140      | 72148(腰椎MRI) — 6週保存療法証拠が必要
J02.9 (咽頭炎)    | 99213, 87880             | 87070(培養) — Centor < 3なら拒否
F32.9 (うつ病)    | 90834, 90837             | 90791(初期評価) — 年2回超は拒否

カリフォルニア集団訴訟(2023年7月、Kisting-Leung v. Cigna)は係属中で、2025年にクラス認定(class certification)段階に入った。Cignaは「PXDXはコードペアの妥当性チェックに過ぎず、医学的判断はしていない」と反論するが、原告側は「医学的判断をせずに請求を拒否したこと自体がカリフォルニア保険法違反だ」と主張する。

5. UnitedHealth NaviHealth nH Predict — SNF入所期間短縮アルゴリズム

2023年STAT NewsのCasey Ross/Bob Hermanシリーズは、UnitedHealth GroupのnH Predictアルゴリズムを暴露した。nH Predictは、メディケア・アドバンテージ加入者が急性期病院から介護施設(SNF)へ移行する際の予想入所期間を算出するAIモデルだ。問題は2点。

1. モデルの精度: STATが入手した内部データによると、モデル予測が医療者判断と乖離して不服申立が出た時、90.5%の場合に申立が認められた — つまりモデルは90.5%の確率で誤っていた。
2. 使い方: UnitedHealthのケースマネージャーは、モデル予測日から1%以内の誤差で退所を推奨せよ、との社内ガイドラインを受けていた(STAT報道)。

2023年11月、ミネソタ連邦地裁に集団訴訟(Estate of Lokken v. UnitedHealthcare)が提起された。2024年の米上院PSI報告書は、UnitedHealth・Humana・CVS/Aetnaの3社が事前承認拒否率を通常メディケアより16倍高くしていたと結論。2026年現在、NaviHealthはOptum Health Solutionsへ再編され、nH Predictは「意思決定支援ツール」と再ポジショニングされた。

6. Optum AI — UnitedHealth Groupの頭脳

UnitedHealth Groupは保険部門(UnitedHealthcare)とヘルスケアサービス部門(Optum)に分かれる。2026年時点でOptumの売上はグループ全体の50%超で、AI/データはすべてOptum傘下に集中している。

2026年のOptumのLLMインフラは、自社学習の臨床ドメインモデル + 外部GPT-4/Claude API呼び出しのハイブリッドだと報じられている。2024年12月のUnitedHealthcare CEO銃撃事件(Brian Thompson死亡)後、同社はAIガバナンス委員会を新設し、事前承認拒否理由の人間レビュー必須化など一部のポリシー変更を発表した。

7. Humana — メディケア・アドバンテージ大手の一角

HumanaはMedicare Advantage市場シェア2位(2026年で約17%)で、ほぼ全面的にMAに賭ける保険会社だ。2025年12月、HumanaもnH Predict類似のアルゴリズムでSNF入所期間を強制短縮したとする集団訴訟(Barrows v. Humana)に直面した。

Humanaは2023年9月に自社AIコーディング子会社CenterWellとMORE Health AIインフラの強化を発表し、2026年現在Humanaのクレーム自動審査は次の3段階パイプラインとされる。

[835/837 EDI 受信]
    ↓
[Stage 1] ルールエンジン — Medicare/CMSポリシー + Humana独自ポリシー
    ↓ (拒否候補抽出)
[Stage 2] GBM分類器 — 不正請求確率スコア
    ↓ (閾値超で人間審査)
[Stage 3] LLMカルテレビュー — Epic/Cerner FHIR APIでカルテ取得、医学的必要性評価
    ↓
[支払 / 拒否 / 追加書類要求]

2026年のHumanaはAI拒否率を公表していないが、BCBS Association推計では業界平均で約16-20%が初回拒否(その後の不服申立・再請求で一部回復)。

8. Elevance Health — Anthemが社名を変えた理由

Anthemは2022年6月、社名をElevance Healthへ変更した。理由は単純 — 「保険会社ではなくヘルスケア企業に見られたい」。Elevance傘下にはAnthem Blue Cross Blue Shield、Carelon(ヘルスサービス・薬局・行動健康)、Wellpoint(メディケイド)などがある。

ElevanceのAI戦略はCarelonに集中する。

• Carelon Insights — クレーム分析・予測モデリング・医療費予測
• Carelon Health — 一次医療クリニック・在宅医療 + AIトリアージ
• Carelon Rx — PBM + AI処方審査
• Carelon Behavioral Health — AIうつ/不安スクリーニング(PHQ-9、GAD-7自動採点)

2025年6月の米上院PSI報告書は、Anthemが事前承認の拒否を自動化し拒否率を人為的に押し上げたと指摘し、Elevanceは「AIは意思決定支援に限定している」と反論した。

9. CVS Health / Aetna — 薬局 + 保険 + クリニックの垂直統合

CVSは2018年にAetnaを690億ドルで買収し、2023年にはOak Street Health(一次医療)、Signify Health(在宅医療)を追加した。2026年のCVS Healthは、米国で薬局・PBM・保険・一次医療をすべて持つほぼ唯一の垂直統合企業だ。

CVSのAIは4軸で動く。

2024年CVSは自社LLMアシスタント「Connect」を導入し、コールセンターのオペレーターに加入者ごとの推奨を提示。2025年Aetnaは事前承認自動化APIを医療者向けに公開し、「AIが拒否を推奨すると同時に不服申立フローも案内する」双方向モデルを試験運用中。

10. Oscar Health — AIナビゲーターで差別化

Oscar Healthは2012年創業のデジタルファースト健康保険で、2026年時点で18州のACAマーケットプレイスに加入者を持つ。大手5社に比べれば規模は小さい(約100万人)が、AI戦略は正反対 — 拒否ではなく加入者ナビゲーションに注力する。

Oscarの基幹製品はOscar Care Navigator: 加入者がチャットボットに「頭痛が1週間続いている」と話すと、AIが(1)ER受診すべきかトリアージ、(2)ネットワーク内医師の推奨、(3)テレヘルス即時予約、(4)事前承認が必要か自動チェックまで行う。2024年OscarはOpenAI GPT-4ベースのアシスタント発表、2026年現在はAnthropic Claudeも一部ワークフローで併用。

// Oscar Care Navigator 擬似コード
interface PatientQuery {
  member_id: string
  symptoms: string  // 自然言語
  history?: string[]  // 直近のICD-10コード
}

async function navigate(q: PatientQuery): Promise<NavigationResult> {
  // 1. トリアージLLM
  const triage = await llm.chat({
    system: "You are a triage nurse. Output: ER | URGENT_CARE | PCP | TELEHEALTH | SELF_CARE.",
    user: `Symptoms: ${q.symptoms}. History: ${q.history?.join(", ")}`,
  })

  // 2. ネットワークマッチ
  const providers = await provider_directory.search({
    member_id: q.member_id,
    specialty: triage.recommended_specialty,
    in_network: true,
    sort_by: "distance",
  })

  // 3. 事前承認プレチェック
  const pa_required = await prior_auth.check({
    member_id: q.member_id,
    suspected_codes: triage.likely_cpt_codes,
  })

  return { triage, providers, pa_required }
}

Oscarの賭けは明確だ — 大手5社のように拒否でコストを削るのではなく、最初から正しい場所に誘導してコストを削る。MLR(医療損失率)は大手より高いが、NPSは50+で業界平均(NPS 8前後)を圧倒する。

11. 事前承認(Prior Authorization)の自動化 — AI拒否の核

事前承認は、保険者が処置の前に「本当に必要ですか?」を確認する手続きだ。米国では事前承認が必要な処置が約18%(KFF 2024調査)だが、メディケア・アドバンテージではもっと高い。

2026年CMSの新ルール(CMS-0057-F、2024年1月最終案)は、すべてのMA/メディケイドプランに**事前承認API(FHIR)**の提供を義務づけ、2027年1月から事前承認決定の平均時間を通常診療7日・緊急診療72時間以内に短縮することを要求する。これがAI自動化のアクセルだ。

POST /Bundle HTTP/1.1
Host: payer.example.com
Content-Type: application/fhir+json
Authorization: Bearer eyJhbGc...

{
  "resourceType": "Bundle",
  "type": "transaction",
  "entry": [
    {
      "resource": {
        "resourceType": "Claim",
        "status": "active",
        "type": { "coding": [{ "system": "http://terminology.hl7.org/CodeSystem/claim-type", "code": "professional" }]},
        "use": "preauthorization",
        "patient": { "reference": "Patient/12345" },
        "diagnosis": [
          { "diagnosisCodeableConcept": { "coding": [{ "system": "http://hl7.org/fhir/sid/icd-10-cm", "code": "M54.5" }]} }
        ],
        "item": [
          {
            "sequence": 1,
            "productOrService": { "coding": [{ "system": "http://www.ama-assn.org/go/cpt", "code": "72148" }]}
          }
        ]
      }
    }
  ]
}

このリクエストに保険者AIが自動応答する — ルール + GBM + 必要に応じてLLMカルテ取得。

12. Medical Necessity — AIが模倣する臨床判断

「医学的必要性(medical necessity)」は米国保険契約の核心条項だ。処置が医学的に必要でなければ、保険者には支払い義務がない。問題は「医学的に必要か」の判定権限である。

伝統的にInterQual(Change Healthcare)とMCG(Milliman Care Guidelines)が米国市場の2大臨床基準。2026年の保険会社はこの基準の上にLLMを重ね、「カルテがInterQual基準を満たすか」を判定する。

# Medical necessity 自動判定の擬似コード
def assess_medical_necessity(claim, ehr_chart):
    # 1. InterQual基準検索
    criteria = interqual.lookup(
        cpt=claim.procedure_codes[0],
        icd10=claim.diagnosis_codes[0],
    )

    # 2. EHRカルテから証拠抽出
    evidence = llm.extract(
        prompt=f"For criteria {criteria.text}, extract supporting evidence from chart.",
        chart=ehr_chart,
    )

    # 3. 基準充足評価
    assessment = llm.evaluate(
        criteria=criteria.text,
        evidence=evidence,
        prompt="Does the evidence satisfy ALL criteria? Output: YES | NO | UNCLEAR. Cite each criterion.",
    )

    return assessment

問題はInterQual/MCG自体が有料ライセンスで、保険者ごとに独自カスタム版があること。医療者は自分がどの基準で評価されているか分からず、AIが介在することでその不透明さが増す — これがPXDX/nH Predict訴訟の中核論点だ。

13. 医療詐欺の検知 — NHCAA 3,000億ドルの裏側

NHCAAは米ヘルスケア支出の毎年3-10%が詐欺で流出すると推計する。2026年の米ヘルスケア総支出が約5兆ドルなので、詐欺は1,500億-5,000億ドル規模。これを捕まえるAIは、保険者のSIU(Special Investigations Unit)と外部ベンダー(Cotiviti、SAS Fraud Framework、Shift Technology、ClarisHealth、Optum Investigative Services)が運用する。

主要パターン。

# GBMベース詐欺検知擬似コード
import lightgbm as lgb

features = [
    "claim_amount", "provider_avg_claim", "provider_claim_count_30d",
    "diagnosis_procedure_match_score", "patient_provider_distance_km",
    "provider_em_distribution_kl", "ndc_unusual_for_diagnosis_flag",
    "patient_concurrent_claims_count", "billing_time_outlier_zscore",
]

model = lgb.Booster(model_file="fraud_v2026_05.txt")
score = model.predict(claim.features_vector(features))[0]
# score > 0.92 → SIU優先調査キュー
# 0.7 < score <= 0.92 → 人間レビュー
# score <= 0.7 → 自動支払

GBMに加え、グラフニューラルネットワーク(GNN)で医師-患者-薬局-DMEの共起グラフを学習するのが2026年の最前線。Optum Investigative Servicesがこの分野のリーダーとされ、年間数十億ドルを回収する(公開ベース)。

14. 薬物相互作用レビュー — RxNorm + FHIR + LLM

処方薬の請求はPBM(薬剤給付管理会社)が処理する。米大手3社はCVS Caremark、Express Scripts(Cigna傘下)、OptumRx(UnitedHealth傘下)。PBMのAIは2つの仕事をする。

1. DUR(Drug Utilization Review): 新規処方が患者の既存処方と衝突するか?
2. 代替薬推奨: より安い、または効果的な同等薬があるか?

データ標準。

• RxNorm(NLM管理): 薬剤標準命名。例: rxcui 197361 = アセトアミノフェン325mg経口錠。
• NDC: FDA医薬品コード、11桁。
• First Databank、Wolters Kluwer、IBM Micromedex: 商用薬剤データベース(相互作用・禁忌・妊娠・小児)。

# 薬物相互作用検査擬似コード
def check_interactions(new_rx_rxcui, member_id):
    # 1. 患者の有効処方取得 (FHIR R5 MedicationRequest)
    active = fhir.search("MedicationRequest", patient=member_id, status="active")

    # 2. RxNorm正規化
    active_rxcuis = [normalize_to_rxcui(m) for m in active]

    # 3. 薬剤相互作用DB照会 (Wolters Kluwer/FDB)
    interactions = []
    for rxcui in active_rxcuis:
        x = fdb.interaction(new_rx_rxcui, rxcui)
        if x and x.severity in ["major", "contraindicated"]:
            interactions.append(x)

    # 4. LLM臨床推奨
    if interactions:
        recommendation = llm.chat(
            system="You are a pharmacist. Given interactions, suggest action.",
            user=f"Interactions: {interactions}. New Rx: {new_rx_rxcui}.",
        )
        return {"action": "PHARMACIST_REVIEW", "details": recommendation}
    return {"action": "AUTO_APPROVE"}

DURが機能すれば薬剤性副作用入院が減り、PBMは入院費まで節約する。2024年FDAのSentinel InitiativeはPBMデータを副作用シグナル監視に使い始めた。

15. FHIR R5 Claimリソース — 標準請求データモデル

HL7 FHIR(Fast Healthcare Interoperability Resources)は2024年にR5が正式発表された。米CMSとONCはFHIR R4を義務化、R5移行は段階的。Claimリソースの標準構造。

resourceType: Claim
id: claim-2026-12345
status: active
type:
  coding:
    - system: http://terminology.hl7.org/CodeSystem/claim-type
      code: professional
use: claim
patient:
  reference: Patient/12345
created: '2026-05-25T10:30:00Z'
insurer:
  reference: Organization/cigna
provider:
  reference: Practitioner/dr-jones
priority:
  coding:
    - system: http://terminology.hl7.org/CodeSystem/processpriority
      code: normal
diagnosis:
  - sequence: 1
    diagnosisCodeableConcept:
      coding:
        - system: http://hl7.org/fhir/sid/icd-10-cm
          code: E11.9
          display: Type 2 diabetes mellitus without complications
    type:
      - coding:
          - system: http://terminology.hl7.org/CodeSystem/ex-diagnosistype
            code: principal
item:
  - sequence: 1
    productOrService:
      coding:
        - system: http://www.ama-assn.org/go/cpt
          code: '99213'
    servicedDate: '2026-05-25'
    unitPrice:
      value: 165.00
      currency: USD
    net:
      value: 165.00
      currency: USD
total:
  value: 165.00
  currency: USD

CMS-0057-Fは事前承認までFHIRベースのPAS(Prior Authorization Support)IGで処理することを要求する。2026年のEpic、Cerner(Oracle Health)、AthenahealthはすべてPAS IGをサポート。

16. EMR/EHR連携 — Epic、Cerner、Athenahealth

米国の病院の80%以上がEpicまたはCerner(現Oracle Health)EHRを使う。保険会社が請求を審査するにはカルテが必要で、カルテを取るにはEHR連携が必要。方法は3通り。

# SMART on FHIRでEpicからカルテ取得の擬似コード
from fhirclient import client

settings = {
    "app_id": "payer-app",
    "api_base": "https://fhir.epic.com/interconnect-fhir-oauth/api/FHIR/R4/",
}
smart = client.FHIRClient(settings=settings)
smart.authorize()  # OAuth2 backend services flow

# 患者カルテ取得
from fhirclient.models.patient import Patient
patient = Patient.read("12345", smart.server)

# 観察値 (検査結果)
from fhirclient.models.observation import Observation
search = Observation.where(struct={"patient": "12345", "category": "laboratory"})
obs = search.perform_resources(smart.server)

# 臨床ノート
from fhirclient.models.documentreference import DocumentReference
docs = DocumentReference.where(struct={"patient": "12345"}).perform_resources(smart.server)

2024年ONCのUSCDI v4とHTI-1ルールは、EHRがFHIR R4 APIを義務提供することを要求した。2026年、保険者AIが合法的にカルテを取得できる標準経路が確立されたわけだ。

17. 韓国実損保険請求簡素化 — 第4世代の本格稼働

韓国は2023年10月の保険業法改正で実損医療保険請求簡素化の法的根拠が整い、段階的に施行されてきた。

• 2024年10月1日: 30床以上の病院を対象に第1段階(約4,200施設)
• 2025年10月25日: 診療所・薬局へ拡大の第2段階(約7万施設)
• 2026年: 本格稼働期 — 簡素化が事実上の標準チャネルとなる

加入者は医療機関で受診後「実損請求してください」の一言で完了。医療機関のEMRが請求データを韓国保険開発院(KIDI)経由で各保険会社に送信し、自動審査の後翌日支払。これが成立するには保険会社側のAI自動審査が必須。

[病院/診療所EMR]
    ↓ (KIDI標準インターフェース)
[クリアリングハウス — KIDI]
    ↓
[各保険会社の請求システム]
    ↓
[AI自動審査 — ルール + GBM + LLMカルテレビュー]
    ↓
[翌日支払 — 平均約8万ウォン]

第4世代実損(2021年7月発売)は非給付の自己負担を30%に引き上げ、保険料を分離(給付/非給付)、徒手治療・MRI等の過剰診療可能項目は別途上限。AI審査は第4世代に入りより精緻化された — 非給付の分離請求を追跡する必要があるため。

18. サムスン火災海上 — 韓国損保最大手のAI

サムスン火災海上は2026年時点で韓国損害保険市場シェア1位(約29%)。自動車・長期人保険・健康・総合・一般のすべての種目でAI自動審査を運用する。

サムスン火災は2024年に自社クレームAIプラットフォームを発表し、2025年からはOCR + LLMベースの請求書・診断書自動判読を本格運用する。医療鑑定は外部医療鑑定機関(韓国医療鑑定支援センター等)が処理し、AIは補助役。

# 韓国実損AI自動審査擬似コード
def adjudicate_kr_health_claim(claim):
    # 1. 請求基本検証
    if not validate_kcd_code(claim.diagnosis_kcd):
        return reject("KCDコード不正")

    # 2. 保障約款マッピング
    coverage = match_coverage(
        product=claim.product_code,
        diagnosis=claim.diagnosis_kcd,
        treatment_type=claim.treatment_type,  # 入院/外来/通院
    )

    # 3. 自己負担計算 (1/2/3/4世代ごとに異なる)
    deductible = calc_deductible(
        generation=claim.generation,  # 4世代=2021.07~
        coverage_type=coverage.type,
        bill_total=claim.bill_total,
        non_covered_amount=claim.non_covered,  # 非給付
    )

    # 4. 詐欺・過剰診療スコア (GBM)
    fraud_score = gbm.predict(claim.features())

    # 5. 自動審査ルーティング
    payable = claim.bill_total - deductible
    if fraud_score < 0.3 and payable <= 100_000:
        return auto_approve(payable)  # 翌日支払
    elif fraud_score > 0.7:
        return route_to_siu()
    else:
        return route_to_human_reviewer()

19. 現代海上 GoodAndGoodHi、KB損保、メリッツのAI

韓国損保大手5社のAIラインアップ。

現代海上のGoodAndGoodHiは健康診断(国民健康保険公団データ連携同意時)結果で保険料を差別化する引受モデルだ。良い検診結果 → 保険料割引。AIは検診データ分類とリスクスコアリングに使用。

KB損保のKB健康プラスアプリは、患者が処方箋・診断書を撮影してアップロードするとOCRでテキスト化し、LLMが自動請求作成を支援。2025年から簡素化チャネルと並行。

メリッツは「24時間以内支払」をマーケティングポイントに据える。自動審査率70%以上が前提。

20. 日本 損保ジャパン、第一生命 himawari、ニチイ学館

日本は韓国と比較して医療費自己負担率が平均30%(75歳未満一般)で低く、民間医療保険は補助的役割。それでもAI請求とヘルスケアデータ活用は急速に拡大中。

• 損保ジャパン: 2024年にヘルスケア子会社をSOMPO Health Supportへ統合。AIケアマネジメント、介護データ活用。
• 第一生命 — himawari生命: 2017年からhimawariチャットボットで保険金請求・契約変更を自動化。2025年にLLMアシスタントをアップグレード(GPT-4o + 自社ドメインチューニング)。
• 東京海上日動 — メディカルキックAI: 医療費請求OCR + 自動審査。
• 第一生命 — 健診データ連携: 健診結果 + ニチイ学館の訪問介護データでリスク評価。
• ニチイ学館: 日本最大の医療事務・介護事業者。請求BPOにAI/OCRを積極導入。

2024年厚労省はマイナ保険証の本格運用を開始し、オンライン資格確認加入医療機関は90%を超えた。このインフラの上で民間保険会社の請求自動化が加速している。

21. NHSイングランドのAI — 公的保険のAI

英NHS Englandは米国の民間保険とまったく異なるモデルだが、AI導入は活発だ。2025年のNHS AI Labは次の4つのプログラムを運営する。

1. NHS AI Diagnostic Fund — 画像診断(胸部X線、マンモグラフィー、網膜等)AI導入に£2,300万ファンド。
2. NHS Federated Data Platform (FDP) — パランティアが2023年11月に£3.3億で受注し、患者フロー・在庫・運営データを統合。AI分析が核。
3. AI Stroke Pathway — Brainomix e-Stroke等の脳卒中画像AIをイングランドのほぼ全救急に配備。
4. Doctor AI Co-Pilot 試験 — 一部トラストでGP診療にLLMアシスタント。

NHSのAIはクレーム拒否が目的ではなく、リソース配分と診断支援だ — 単一支払者システムだから。同じテクノロジーが異なるインセンティブで異なる使われ方をする良い例。

22. AI拒否の政治学 — 米議会公聴会と規制

2024年7月、米上院PSIは「Medicare Advantage and Patient Care: Algorithmic Denials」公聴会を開き、UnitedHealth、Humana、CVS/Aetnaの幹部を証言台に立たせた。報告書の核心発見。

• 大手3社MA保険会社の事前承認拒否率は通常メディケアの16倍。
• 事後不服申立時、拒否の80%以上が覆る — つまり初回拒否の80%が不適切だった。
• AIシステムの使用について一部保険会社が不正確に開示。

2024年1月のCMS Final Rule(CMS-0057-F)は事前承認決定に関し次を要求した。

• 自動拒否は医学的理由に基づくべきであり、アルゴリズム単独で決定してはならない。
• 事前承認結果は標準時間内に通知(通常7日、緊急72時間)。
• 拒否理由の明確な説明を義務化。

2024年12月のUnitedHealthcare CEO銃撃事件は社会的怒りのピークを示した。事件自体は悲劇だが、社会的バックラッシュはその前から蓄積されており、保険会社は2025年に入りAIガバナンス委員会の新設、人間レビュー義務の強化、拒否理由公開の拡大などの措置を発表した。

23. 医療者の反撃 — DocAI、PA Helper

医療者も黙ってはいない。事前承認自動化の対極で「事前承認を自動作成・不服申立するAI」たちが登場した。

• Cohere Health — 事前承認ワークフロープラットフォーム、医療者側で使用。
• Notable Health — EHRに組み込まれる事前承認自動作成AI。
• AKASA — RCM(Revenue Cycle Management)全体のAI自動化。
• Doximity GPT — 医師SNS Doximityが作った医師専用LLM。
• Glass Health、Hippocratic AI — 臨床LLM。

# 医療者側 事前承認自動作成擬似コード
def auto_draft_prior_auth(patient_id, requested_cpt):
    # 1. EHRから臨床コンテキスト抽出
    chart = epic.fetch_chart(patient_id)

    # 2. 保険者ポリシー照会 (保険者公開基準または InterQual マッピング)
    payer_policy = payer_policies.lookup(patient.payer, requested_cpt)

    # 3. LLMで事前承認申請書ドラフト
    draft = llm.chat(
        system=f"You are a clinical writer. Draft prior auth justification per {payer_policy.criteria}.",
        user=f"Patient chart: {chart}. Requested CPT: {requested_cpt}.",
    )

    # 4. 医師レビュー後に提出
    return draft

軍拡競争だ。保険者がAIで拒否すれば医療者がAIでより強い申請を作成し、すると保険者が再度より強い拒否モデルを学習する。

24. 韓国・日本・米国 比較表 — AI請求自動化の地形

25. 2026年 次に来るもの

• 事前承認標準API義務化: CMS-0057-Fが2027年1月本格発効すると、PAS FHIR IGが標準となり、保険者AIはより速く、より透明になる(またはそうあるべき)。
• アルゴリズム監査(algorithmic audit)義務化: NIST AI RMF・EU AI Act・米州別保険監督規定が結合し、請求自動審査AIに第三者監査が強制される可能性。
• 患者側AI不服申立ツール: 無料の不服申立作成AI(例: Counterforce Health)が普及すれば、拒否-不服申立-再拒否のコスト構造が変わる。
• ヘルスデータマーケットプレイス: 韓国マイデータ + 日本マイナンバー + 米HIPAA Right of Accessが結合し、患者が自分のデータを保険会社外のAIにも提供してより良い引受を受けるモデル。
• EHR組込AIアシスタント: EpicのED Brain、Cerner(Oracle Health)のClinical AI Assistantが一般化すれば、コーディング・請求が診療時点でほぼ完成する。
• 価格透明化: 米国 No Surprises Act + Hospital Price Transparency規則で請求書単価が公開されると、AIが患者側で最適医療費見積もりに活用される。

中心的な問い: AIは保険者と患者のどちらのために働くのか? 2026年の答えは明らかに「これまでは保険者」だ。しかし請求自動化と同じLLMテクノロジーが患者・医療者・規制当局側にも急速に普及しており、今後5年の地形はこの権力均衡の再調整にかかっている。

26. References

• ProPublica, "How Cigna Saves Millions by Having Its Doctors Reject Claims Without Reading Them" (Patrick Rucker, David Armstrong, Doris Burke, 2023): https://www.propublica.org/article/cigna-pxdx-medical-health-insurance-rejection-claims
• STAT News, "UnitedHealth used secret rules to restrict rehab care for seriously ill Medicare Advantage patients" (Casey Ross, Bob Herman, 2023): https://www.statnews.com/2023/11/14/unitedhealth-medicare-advantage-investigation-prior-authorization-naviHealth/
• U.S. Senate Permanent Subcommittee on Investigations (PSI), "Refusal of Recovery: How Medicare Advantage Insurers Have Denied Patients Access to Post-Acute Care" (2024): https://www.hsgac.senate.gov/subcommittees/investigations/
• CMS Interoperability and Prior Authorization Final Rule (CMS-0057-F): https://www.cms.gov/newsroom/fact-sheets/cms-interoperability-and-prior-authorization-final-rule-cms-0057-f
• HHS Office of Inspector General, "Medicare Advantage Compliance Audits" (2024): https://oig.hhs.gov/oei/medicare-advantage/
• HL7 FHIR R5 Claim Resource: https://hl7.org/fhir/R5/claim.html
• DaVinci PAS (Prior Authorization Support) Implementation Guide: https://hl7.org/fhir/us/davinci-pas/
• NHCAA (National Health Care Anti-Fraud Association): https://www.nhcaa.org/
• Kaiser Family Foundation, "Use of Prior Authorization in Medicare Advantage" (2024): https://www.kff.org/medicare/issue-brief/use-of-prior-authorization-in-medicare-advantage-exceeded-46-million-requests-in-2022/
• 韓国保険開発院(KIDI) 実損医療保険請求簡素化案内: https://www.kidi.or.kr/
• 韓国金融監督院、「実損医療保険請求簡素化施行案内」: https://www.fss.or.kr/
• 韓国保険研究院(KIRI) 保険金自動審査動向報告書: https://www.kiri.or.kr/
• 厚生労働省 オンライン資格確認: https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/0000172019.html
• 厚生労働省 マイナンバーカードの保険証利用について: https://www.mhlw.go.jp/stf/index_16745.html
• 損害保険料率算出機構(損保料率機構): https://www.giroj.or.jp/
• 一般社団法人 日本損害保険協会: https://www.sonpo.or.jp/
• 第一生命 himawariチャットボット: https://www.dai-ichi-life.co.jp/
• ニチイ学館: https://www.nichiigakkan.co.jp/
• NHS England AI Diagnostic Fund: https://www.england.nhs.uk/aac/what-we-do/innovation-for-healthcare-inequalities-programme/ai-diagnostic-fund/
• NIST AI Risk Management Framework: https://www.nist.gov/itl/ai-risk-management-framework
• Cohere Health Prior Authorization Platform: https://coherehealth.com/
• Cotiviti Fraud, Waste, and Abuse Solutions: https://www.cotiviti.com/
• Optum Insight: https://www.optum.com/business/insights.html
• AMA CPT Code Set: https://www.ama-assn.org/practice-management/cpt
• CDC ICD-10-CM: https://www.cdc.gov/nchs/icd/icd-10-cm.htm
• WHO ICD-11: https://icd.who.int/en
• NLM RxNorm: https://www.nlm.nih.gov/research/umls/rxnorm/
• Epic FHIR Documentation: https://fhir.epic.com/
• Oracle Health (Cerner) FHIR APIs: https://docs.oracle.com/en/industries/health/millennium-platform-apis/index.html