美国HHS启动人工智能计划，目标清除600亿美元医疗欺诈

# 美国HHS启动人工智能计划，目标清除600亿美元医疗欺诈

美国卫生与公众服务部于2026年5月21日启动了一项新的人工智能计划，旨在检测联邦健康项目中的欺诈、浪费和滥用。该计划直接针对主要健康福利中每年超过6%的持续不当支付率，代表着大约600亿美元的财务风险。这标志着自2011年实施医疗保险欺诈预防系统以来，在项目完整性工具方面的最大单笔投资。

背景 — 为什么现在重要

该计划的推出正值联邦健康支出压力加剧之际。国会预算办公室预测，医疗保险支出将从2025年的9440亿美元增长到2034年的超过1.7万亿美元，主要受人口结构变化的推动。同时，医疗保险医院保险信托基金的受托人预测到2036年将面临破产，迫切需要采取措施以遏制不必要的支出。这一技术推动的催化剂是先进的大型语言模型的融合，这些模型能够解析非结构化的临床记录，以及能够实时交叉参考账单代码与影像和实验室结果的多模态人工智能。

根据HHS监察长办公室的报告，2011年的欺诈预防系统使用较简单的基于规则的分析，在2011年至2020年间回收了约42亿美元。新的人工智能系统代表了能力的代际飞跃。其开发是在2025年试点项目的基础上进行的，该项目显示出在识别医疗补助数据集中可疑账单模式方面比传统方法提高了300%。

数据 — 数字显示了什么

关键HHS项目的不当支付率为该计划提供了基线。医疗保险按服务收费在2025年报告的不当支付率为6.26%，相当于312亿美元。医疗补助报告的比率为9.97%，金额为238亿美元。医疗保险优势计划虽然记录的比率较低，为3.8%，但由于其规模，绝对金额仍然相当可观，每年联邦支付超过4500亿美元。新的人工智能平台由最近立法下设立的项目完整性基金拨款2.2亿美元资助。

简单的比较显示了目标的规模。2025年约600亿美元的不当支付总额相当于医疗保健巨头Centene（1544亿美元）和Humana（1064亿美元）年收入的总和，或接近UnitedHealth Group年净收入的80%。该计划旨在在三个财政年度内将不当支付率的总和降低2.5个百分点，这将转化为每年防止约250亿美元的浪费。这一目标的减少是2011年系统前五年效率提升的两倍多。

分析 — 对市场/行业/股票的影响

二级效应可能会在医疗保健生态系统中显现。历史上账单审计和与编码实践相关的法律和解率较高的公司将面临更大的审查。这包括像HCA Healthcare（HCA）和Tenet Healthcare（THC）这样的营利性医院连锁，以及某些专业护理和家庭健康提供者。相反，提供人工智能审计和合规软件的公司，如Health Catalyst（HCAT）和一些成熟的IT咨询公司，可能会看到合同机会的扩大。像Palantir（PLTR）这样的纯粹人工智能数据公司，已经持有政府健康合同，处于受益位置。

一个关键限制是人工智能可能产生误报，延迟合法的报销，并给提供者带来行政上诉的负担。提供者贸易组织已经对算法透明度表示担忧。市场定位反映了这种分化。公告周的机构流动数据表明，Health Care Select Sector SPDR Fund（XLV）医院子行业净卖出，而技术驱动的医疗保健ETF，如Global X Telemedicine & Digital Health ETF（EDOC），则出现净买入。中型门诊服务提供者的空头兴趣平均上升了15%。

前景 — 接下来要关注什么

直接催化剂将决定该计划的初步影响。HHS监察长办公室将在2026年8月30日前发布关于人工智能系统表现的第一季度报告。该报告将包含关于欺诈案件识别率和误报比率的首个具体指标。第二个催化剂是预计在2027年2月发布的FY2027 HHS预算提案，这将表明国会是否会根据早期结果批准扩展资金。

需要关注的关键水平包括预计在2026年11月发布的下一份CMS报告中的不当支付率指标。医疗保险按服务收费率即使减少0.5个百分点，也将表明早期有效性。在股市中，关注SPDR S&P Health Care Services ETF（XHS）与纳斯达克CTA人工智能指数（NQINTEL）的相对表现比率。如果该比率出现下滑，将表明市场在定价服务提供者利润率因加强监管而承受持续压力。

常见问题解答

这一人工智能计划将如何影响医疗保险优势计划？

人工智能系统将审查医疗保险优势的风险调整编码，这是计划收入的主要来源。对于在层级条件类别中采用激进编码实践的计划，面临更高的审计风险。这可能会对依赖编码强度来获取利润的保险公司施加压力，如果恢复审计增加，可能会压缩该行业的市盈率。影响可能加速缺乏复杂合规基础设施的小型计划的整合。

政府反欺诈技术计划的历史成功率是多少？

以往的计划结果不一。根据2023年HHS的评估，2011年的欺诈预防系统实现了每花费1美元监督就获得9.60美元的投资回报。然而，不当支付率仍然顽固地高，表明欺诈适应了基于规则的系统。2018年国防部的采购欺诈人工智能试点因高误报率而被放弃。新的HHS计划的成功取决于其自适应机器学习模型能否克服这些历史限制。

这个人工智能工具能否在付款前实时识别欺诈？

核心设计目标是付款前审查，转变为当前的付款后审计模型。该系统旨在在提交后的毫秒内标记异常索赔以供人工审核。如果成功大规模实施，这将显著减少财务回收周期和政府的运营资本负担。其在对抗复杂、不断演变的欺诈方案方面的实时有效性，将是该计划220万美元投资的最终基准。

结论

HHS的人工智能计划为依赖激进账单的医疗提供者和保险公司收入模型引入了实质性、持续的监督风险。

免责声明：本文仅供信息参考，不构成投资建议。CFD交易具有高风险的资本损失。