Compliance

Czy AI może wykrywać nadużycia i nieprawidłowości w rozliczeniach szpitala?

AI może przejrzeć setki dokumentów rozliczeniowych dziennie i wyłapać wzorce, których kontroler wewnętrzny nie zauważy. Sprawdź, gdzie szpitale faktycznie to wdrażają.

⏱ 8 min czytania · 📅 20.11.2026 · 👁 7 wyświetleń

AI może realnie pomagać przy wykrywaniu nieprawidłowości w rozliczeniach szpitala: zarówno w sprawozdaniach do NFZ, jak i przy analizie faktur zakupowych czy dokumentacji przetargowej. Nie zastępuje audytora ani biegłego rewidenta, ale przejrzy za nich setki dokumentów dziennie, porówna wzorce i wskaże te pozycje, które odbiegają od normy. W polskich szpitalach stosuje się go najczęściej do monitorowania kodowania JGP przed wysyłką sprawozdań, wykrywania zduplikowanych faktur i identyfikowania anomalii w danych finansowych.

Skąd wycieka budżet szpitala i dlaczego tradycyjna kontrola tego nie łapie

Problemy w rozliczeniach rzadko wyglądają jak klasyczne defraudacje. Częściej to małe, powtarzające się błędy albo świadome działania, które pojedynczo nie robią wrażenia. Kontroler wewnętrzny, który ma do przejrzenia kilkaset faktur miesięcznie i jednocześnie obsługuje zapytania z oddziałów, fizycznie nie jest w stanie zestawić każdej pozycji z dowodem dostawy i cennikiem rynkowym.

Najczęstsze źródła strat, które AI może wychwycić:

  • Błędy w kodowaniu JGP. Procedura zakodowana wyżej, niż wynika z dokumentacji medycznej (upcoding), albo rozbita na dwie osobne grupy tam, gdzie powinna być jedna (unbundling). Zdarza się nieumyślnie, z powodu pośpiechu przy wypisie, ale czasem jest intencjonalne.
  • Duplikacja świadczeń. Ten sam pacjent, ta sama data, to samo rozpoznanie wpisane dwa razy w systemie. Bywa skutkiem błędu technicznego przy imporcie danych, bywa czymś więcej.
  • Faktury z rozbieżnościami ilościowymi. Dostawca wystawia fakturę na 50 opakowań, protokół odbioru WZ opiewa na 42. Różnica mała, łatwa do przeoczenia przy manualnym sprawdzaniu, szczególnie przy setkach pozycji miesięcznie.
  • Zawyżone ceny jednostkowe. Ten sam asortyment w różnych zamówieniach trafia do szpitala w cenach znacznie odbiegających od siebie, bez widocznej przyczyny: bez zmiany dostawcy, bez nowego przetargu, bez aneksu do umowy ramowej.
  • Rotujące aneksy do umów. Umowa z dostawcą co kilka miesięcy dostaje aneks zmieniający zakres lub cenę. Żaden pojedynczy aneks nie wzbudza podejrzeń, ale razem tworzą obraz wartej sprawdzenia relacji.
  • Faktury tuż pod progiem zamówień publicznych. Seria zamówień z wolnej ręki o wartości odrobinę niższej od progu stosowania ustawy Prawo zamówień publicznych to klasyczny sygnał, który pojawia się przy kontrolach NIK i regionalnych izb obrachunkowych.

Co AI analizuje w rozliczeniach z NFZ i jak to wygląda od środka

W kontekście NFZ AI pracuje głównie na dwóch warstwach danych: na sprawozdaniach z systemu HIS (ruch chorych, kody ICD-10, procedury ICD-9, grupy JGP) oraz na dokumentacji medycznej pacjenta. Nie czyta jej jak lekarz, ale szuka niespójności logicznych i statystycznych odchyleń.

Typowe zadania, które można zlecić AI przed wysyłką miesięcznego sprawozdania do NFZ:

  • Sprawdzenie, czy rozpoznanie główne i rozpoznania współistniejące uzasadniają wybraną grupę JGP, na podstawie karty wypisowej i historii choroby.
  • Wykrycie statystycznych anomalii w rozkładzie rozpoznań: gdy jeden oddział raportuje dany kod JGP znacząco częściej niż porównywalne oddziały w szpitalu albo w danych zewnętrznych, to sygnał do manualnej weryfikacji przez kodera medycznego.
  • Identyfikacja hospitalizacji z nielogicznym przebiegiem: wypis dwie godziny po przyjęciu z przypisaną grupą wymagającą dłuższego pobytu, procedura chirurgiczna wpisana w dzień, gdy blok operacyjny był zamknięty.
  • Porównanie daty przyjęcia, dat procedur i daty wypisu pod kątem spójności logicznej i zgodności z wymogami danej grupy JGP.
  • Sprawdzenie kart wypisowych pod kątem brakujących pól wymaganych przez NFZ do rozliczenia danego świadczenia, zanim sprawozdanie trafi do systemu SZOI.

To nie jest weryfikacja każdego kodu ręcznie. AI przegląda całość i wyrzuca listę przypadków do manualnego sprawdzenia przez kodera lub lekarza. U jednego z klientów szpitalAI taki przegląd pozwolił przed wysyłką sprawozdania miesięcznego wychwycić kilkanaście kart wypisowych z grupy JGP, która nie odpowiadała dokumentacji. Część była skutkiem błędu kodera, jedna wymagała rozmowy z lekarzem prowadzącym i korekty karty.

Faktury i zamówienia: gdzie AI widzi więcej niż troje ludzkich oczu

Kontrola faktur zakupowych to obszar, w którym AI daje wymierne efekty dość szybko po uruchomieniu. Nie dlatego, że wykrywa dramatyczne przekręty, ale dlatego, że wyłapuje drobne rozbieżności, które kumulują się w czasie i które przy manualnym sprawdzaniu po prostu umykają.

Co konkretnie AI analizuje w module finansowo-księgowym:

  • Duplikaty faktur. Ta sama kwota, ten sam dostawca, różne numery faktur. Albo ta sama faktura z drobną zmianą kwoty, zaksięgowana dwa razy przez dwa różne działy.
  • Faktury bez odpowiadającego dokumentu dostawy. AI zestawia fakturę VAT z protokołem odbioru WZ i flaguje te, gdzie łańcuch dowodowy jest niekompletny lub daty nie zgadzają się z logiką: faktura wystawiona przed dostawą.
  • Odchylenia cen od historii zakupów. Ten sam asortyment kupowany regularnie przez rok, nagle w wyraźnie wyższej cenie, bez nowego postępowania i bez widocznego uzasadnienia w korespondencji z dostawcą.
  • Koncentracja zamówień z wolnej ręki. Większość zamówień bez przetargu trafia do jednego dostawcy przez dłuższy czas. AI nie powie, czy to nadużycie, ale wskaże wzorzec i datę, od kiedy ten wzorzec się utrzymuje.

Dane do takiej analizy AI bierze z systemu finansowo-księgowego szpitala, z rejestru umów i z dokumentów przetargowych. Żadne zewnętrzne źródła nie są wymagane na starcie. W praktyce wystarczy regularny eksport z systemu FK do pliku CSV lub połączenie przez API.

RODO i bezpieczeństwo danych: co ustalić przed uruchomieniem

Zanim włączycie AI do analizy rozliczeniowej, warto przejść przez kilka kwestii formalnych. Wyniki analizy mogą dotyczyć konkretnych pracowników (koder, który popełnił błąd, pracownik działu zamówień). To dane wrażliwe w rozumieniu RODO i wewnętrznych regulaminów szpitala.

Co powinno być ustalone przed startem:

  • Kto ma dostęp do wyników analizy i na jakiej podstawie prawnej: audytor wewnętrzny, inspektor ochrony danych, dyrektor. Zakres dostępu powinien wynikać z zakresu obowiązków, a nie z ciekawości.
  • Jak długo przechowujecie wyniki: lista sygnałów z miesiąca, który był czysty, nie musi leżeć w systemie przez lata.
  • Czy dostawca AI przetwarza dane na serwerach w UE. W przypadku danych finansowych szpitala i danych powiązanych z dokumentacją medyczną pacjentów jest to wymaganie, a nie opcja.
  • Wpis do rejestru czynności przetwarzania prowadzonego przez IOD: analiza rozliczeń przez AI to nowa czynność przetwarzania danych osobowych pracowników i pacjentów.

Jak zacząć i na co zwrócić uwagę przy wyborze narzędzia

Nie trzeba od razu wdrażać rozbudowanego systemu fraud detection klasy korporacyjnej. Większość szpitali zaczyna od jednego z dwóch obszarów: albo od analizy kodowania JGP przed wysyłką sprawozdań do NFZ, albo od weryfikacji faktur kosztowych.

Praktyczny plan na pierwsze wdrożenie:

  • Wybierz jeden obszar i jedno źródło danych: np. eksport z systemu HIS za ostatnie trzy miesiące albo rejestr faktur z systemu FK za ten sam okres.
  • Zdefiniuj listę konkretnych anomalii, które chcesz wykrywać: duplikaty, odchylenia cenowe powyżej określonego progu, niekompletna dokumentacja przed wysyłką do NFZ. Lista kilku pozycji jest lepsza niż ogólne hasło "sprawdź nieprawidłowości".
  • Ustal, kto w szpitalu dostaje wyniki i co z nimi robi: audytor wewnętrzny, główna księgowa, dział controllingu. Bez ścieżki eskalacji wyniki analizy będą leżeć w folderze bez konsekwencji.
  • Sprawdź, czy dostawca AI ma doświadczenie z danymi placówek ochrony zdrowia w Polsce. Narzędzie zbudowane dla branży logistycznej może nie rozumieć struktury kodowania JGP ani specyfiki fakturowania usług medycznych.
  • Zapytaj o integrację z Waszym systemem HIS lub FK: czy potrzebny jest ręczny eksport co miesiąc, czy AI czyta dane na bieżąco przez API albo konektor bazodanowy.

Typowo wygląda to tak, że pierwsze dwa tygodnie to praca ze starymi danymi. AI analizuje historię z ostatnich kilku miesięcy i pokazuje, co flaguje jako anomalię. Wspólnie z audytorem weryfikujecie, ile z tych sygnałów było rzeczywistymi problemami, a ile fałszywymi alarmami. Na tej podstawie kalibrujecie progi czułości i wchodzicie w tryb bieżącego monitorowania przed kolejną wysyłką do NFZ albo przed kolejnym zamknięciem miesiąca w systemie FK.

Granice: czego AI nie zrobi i o czym trzeba pamiętać

AI wskazuje anomalie. Nie stwierdza winy. To ważne rozróżnienie, bo wynik analizy to punkt startowy do weryfikacji, nie dowód na nieuczciwość pracownika czy kontrahenta.

Kilka rzeczy, o których warto wiedzieć:

  • Każdy sygnał wymaga oceny człowieka. Decyzja o skierowaniu sprawy do wyjaśnienia, do komisji dyscyplinarnej albo do organów zewnętrznych należy do audytora wewnętrznego lub prawnika szpitala, nie do narzędzia.
  • AI może generować fałszywe alarmy, szczególnie na początku, zanim nauczy się wzorców typowych dla konkretnego szpitala. Przez pierwsze tygodnie trzeba liczyć się z ręczną weryfikacją większej liczby przypadków niż potem.
  • Dane muszą być spójne. AI działające na niekompletnym eksporcie z HIS albo na plikach FK z lukami za kilka miesięcy da wyniki, które mogą mylić bardziej niż pomagać.
  • Wynik analizy to informacja zarządcza, nie gotowy materiał do postępowania wyjaśniającego. Procedura wewnętrzna na wypadek potwierdzenia nieprawidłowości musi istnieć zanim AI cokolwiek wykryje, nie po.

Jeśli chcecie sprawdzić, w których procesach rozliczeniowych Waszego szpitala AI mogłoby dać najszybszy efekt, zapraszamy na bezpłatny audyt. Zobaczycie też, jak inne polskie placówki podeszły do tego tematu, na naszej stronie z realnymi wdrożeniami.

Najczęstsze pytania

Czy AI może samodzielnie zgłosić nadużycie do prokuratury albo do NFZ?

Nie. AI wskazuje anomalie i wyrzuca listę przypadków do ręcznej weryfikacji. Każdy sygnał ocenia człowiek: audytor wewnętrzny, prawnik albo kontroler. Wynik analizy to punkt startowy, nie dowód na nieuczciwość.

Jakich danych potrzebuje AI, żeby analizować rozliczenia szpitala?

Zazwyczaj wystarczy eksport z systemu HIS (ruch chorych, kody JGP, ICD-10, ICD-9) albo z systemu finansowo-księgowego (faktury, zamówienia, protokoły odbioru). Połączenie z systemami zewnętrznymi nie jest wymagane na starcie.

Czy wdrożenie AI do kontroli rozliczeń wymaga zgody NFZ?

Nie. Analiza własnej dokumentacji i własnych danych finansowych to wewnętrzna kompetencja szpitala. NFZ nie musi wyrażać zgody na narzędzia kontrolne stosowane przez świadczeniodawcę.

Ile czasu zajmuje pierwsze wdrożenie i kiedy widać pierwsze efekty?

Pierwsze dwa tygodnie to zwykle kalibracja na danych historycznych: AI analizuje ostatnie kilka miesięcy, a audytor sprawdza, które sygnały były trafione, a które to fałszywe alarmy. Konkretne efekty, czyli mniej błędów przed wysyłką sprawozdań, widać zwykle po czterech do ośmiu tygodniach.

Czy małe przychodnie też mogą używać AI do kontroli rozliczeń?

Tak, choć skala jest inna niż w szpitalu. Dla przychodni najbardziej opłaca się zacząć od analizy faktur kosztowych i weryfikacji kodów przed wysyłką sprawozdań miesięcznych do NFZ.

Opracowanie: zespół redAi z wykorzystaniem narzędzi AI.

Bezpłatny audyt

Chcecie sprawdzić, jak AI rozwiąże to u Was?

Bezpłatny audyt potrzeb i pokaz działającego wdrożenia. Bez zobowiązań.

Może Was też zainteresować