Resumen fiel del estudio de Sahni, O’Gorman, Agarwal, Bello Thornhill y Cutler (NEJM Catalyst, 2026)

Dr. Carlos A. Díaz

Gerente Médico, Sanatorio Sagrado Corazón (OSECAC)

Director, Especialización en Economía y Gestión de la Salud — Universidad ISALUD

saludbydiaz.com

Ficha del estudio original Título: The Value Opportunity from Artificial Intelligence in U.S. Health Care SpendingAutores: Nikhil R. Sahni, Kate O’Gorman, Rahul Agarwal, Heather Bello Thornhill, David CutlerPublicación: NEJM Catalyst — Innovations in Care Delivery, Vol. 7, N.º 9, septiembre de 2026DOI: 10.1056/CAT.26.0037Afiliaciones: Harvard University (Departamento de Economía) y Center for U.S. Healthcare Improvement, McKinsey & Company

1. Introducción y propósito del estudio

El artículo, publicado en septiembre de 2026 en NEJM Catalyst, parte de un diagnóstico ampliamente compartido en la literatura de economía de la salud: el sistema sanitario estadounidense es percibido como excesivamente costoso en relación con los resultados que entrega, y durante décadas se han identificado oportunidades de reducción de costos que nunca llegaron a capturarse plenamente. Los autores sostienen que la inteligencia artificial (IA) podría ser la palanca que finalmente permita concretar esas ganancias de eficiencia pendientes.

El objetivo específico del trabajo es estimar el valor neto anual («run-rate») que podría lograrse dentro de un horizonte de cinco años mediante la adopción plena de casos de uso de IA en los principales interlocutores del sistema de salud —pagadores privados, pagadores públicos, hospitales, grupos médicos y otros sitios de atención— sin comprometer la calidad ni el acceso a la atención.

Los autores destacan que, pese a la enorme discusión pública sobre el potencial de la IA en salud, hasta este trabajo no existía una estimación integral y cuantificada del impacto agregado que podría tener sobre el gasto del sistema en su conjunto, basada en casos de uso ya probados en la práctica (y no solo teorizados).

Para construir la estimación, el equipo —liderado por investigadores de Harvard University y del Center for U.S. Healthcare Improvement de McKinsey & Company— convocó a un panel de más de 30 expertos (académicos, ejecutivos de salud, clínicos y consultores) que en conjunto habían observado la implementación de IA en más de 100 organizaciones sanitarias. A partir de esa experiencia colectiva —no de ensayos clínicos aleatorizados ni evidencia cuasiexperimental— tradujeron los casos observados en una estimación de la oportunidad de valor neto por interlocutor, dominio funcional, tipo de gasto y tecnología de IA.

2. Metodología

2.1 Definición y tecnologías de IA consideradas

El estudio define la IA como todo sistema basado en máquinas capaz de, dado un conjunto de objetivos definidos por humanos, generar predicciones, recomendaciones o decisiones que influyen sobre entornos reales o virtuales. Dentro de esa definición, identifica tres tecnologías predominantes en el sector salud al momento del relevamiento (octubre de 2023 a marzo de 2024):

• Machine Learning (ML): técnicas computacionales que aprenden de ejemplos en lugar de operar con reglas predefinidas; por ejemplo, predecir qué pacientes tienen mayor probabilidad de sufrir eventos adversos durante una internación.
• Natural Language Processing (NLP): capacidad de una computadora de comprender lenguaje humano y transformar texto no estructurado en datos estructurados; por ejemplo, extraer de la nota clínica los datos necesarios para una autorización previa.
• IA generativa (genAI): modelos de lenguaje de gran escala capaces de aprender patrones abstractos para interpretar y crear texto, imágenes, video y datos; por ejemplo, transcribir la consulta y generar un borrador de la nota clínica.

Los autores señalan explícitamente que estas eran las tecnologías prevalentes al inicio del estudio, y reconocen que la IA agéntica —sistemas capaces de tomar decisiones de forma autónoma— ya está disponible pero no fue modelada en este trabajo, por lo que la oportunidad real podría ser mayor a la aquí estimada.

2.2 Interlocutores y dominios funcionales

El análisis se concentra en tres interlocutores —pagadores privados, hospitales y grupos médicos—, que en conjunto representan el 70% del EBITDA total de la industria, aunque también incluye estimaciones para pagadores públicos y otros sitios de atención (como salud domiciliaria y cuidados de enfermería).

Para hospitales y grupos médicos se identificaron nueve dominios funcionales con casos de uso de IA: continuidad de la atención, insights de red y mercado, operaciones clínicas, analítica clínica, calidad y seguridad, atención basada en valor, reembolso, funciones corporativas y activación del consumidor (este último no fue dimensionado). Para los pagadores privados se identificaron seis dominios: gestión de la salud, gestión de la relación con proveedores, gestión de reclamos (claims management), servicios al afiliado, funciones corporativas y marketing y ventas (tampoco dimensionado, junto con activación del consumidor, por tratarse de efectos de segundo orden que principalmente reasignan pacientes entre organizaciones).

Interlocutor	Dominio	Ejemplos de casos de uso
Hospitales	Operaciones clínicas	Optimización de bloques quirúrgicos, dictado ambiental
Hospitales	Calidad y seguridad	Predicción de eventos adversos, detección de deterioro
Hospitales	Continuidad de la atención	Recomendación de derivaciones, recordatorios al paciente
Grupos médicos	Operaciones clínicas	Predicción de inasistencias, optimización del flujo de trabajo
Grupos médicos	Analítica clínica	Apoyo diagnóstico, sugerencia de tratamiento
Pagadores privados	Gestión de reclamos	Autoadjudicación, detección de fraude/abuso
Pagadores privados	Gestión de la salud	Predicción de reingresos evitables, apoyo en salud conductual
Pagadores privados	Relación con proveedores	Diseño de red, optimización de directorios

2.3 Tipo de gasto: administrativo y médico

Para cada dominio se analizó por separado el impacto sobre el gasto administrativo y el gasto médico, partiendo de los datos oficiales de las National Health Expenditure Accounts (NHEA) de 2024 —el último año con datos completos disponibles—. En el caso de los pagadores, Medicare y Medicaid se dividieron en su componente de pago por servicio (fee-for-service) y su componente de mercado privado; en el caso de los proveedores, se partió del gasto hospitalario total, el gasto en atención médica ambulatoria y la sumatoria de servicios odontológicos, otros servicios profesionales, atención domiciliaria y cuidados de enfermería para «otros sitios de atención». Para hospitales y grupos médicos, además, el gasto médico se subdividió en costo laboral (por ejemplo, personal clínico) y no laboral (por ejemplo, diagnóstico e insumos).

2.4 Estimación de la oportunidad de valor

Los autores definen «valor neto» como el ahorro bruto total menos los gastos anuales de operar la IA (mantenimiento tecnológico y laboral asociado). Para cada dominio estimaron un porcentaje de ahorro bruto, ya limitado («capado») antes de que pudiera generar efectos negativos sobre la calidad o el acceso, basándose en la literatura existente, en el panel de expertos y en su experiencia colectiva con implementaciones reales de IA en cientos de organizaciones. Ese porcentaje se multiplicó por el valor en dólares del gasto asociado para obtener el valor neto total de cada dominio.

Para los pagadores públicos, el equipo partió de la estimación de oportunidad de los pagadores privados —que comparten varias funciones y operaciones— y asumió que la oportunidad de valor equivaldría al 75% de la de los pagadores privados. Para «otros sitios de atención», partió de la estimación de los grupos médicos y asumió el 50% de esa oportunidad, dadas las diferencias en la complejidad de los pacientes, la composición del personal clínico y la menor cantidad de dominios de IA aplicables.

Es importante señalar que las estimaciones no incluyen los costos de implementación únicos (one-time), que la literatura previa sitúa entre 1,0 y 1,5 veces el valor neto anual, ni modelan una adopción gradual en el tiempo: representan el impacto anual de régimen («run-rate») una vez alcanzada la adopción plena.

2.5 Prevención del doble conteo

Para evitar contar el mismo ahorro dos veces, los autores establecieron una regla: cuando un cambio habilitado por IA reduce, por ejemplo, la cantidad de estudios de imagen realizados, el valor se asigna únicamente al proveedor si este no traslada el costo evitado al pagador (por ejemplo, bajo un sistema de pago por Grupo Relacionado de Diagnóstico), o únicamente al pagador si este simplemente no reembolsa un estudio considerado inapropiado. En consecuencia, las estimaciones de valor para los proveedores incluyen solo el valor que no fluye automáticamente hacia los pagadores (como necesitar menos personal técnico para un procedimiento), mientras que los cambios en la cantidad de servicios prestados se contabilizan como valor para los pagadores.

3. Resultados

3.1 Línea de base del gasto por interlocutor (2024)

El gasto administrativo representó el 9,6% del gasto total de los pagadores privados y el 4,7% del de los pagadores públicos, siendo el resto gasto médico. Entre los proveedores, el gasto administrativo osciló entre el 22,5% de los hospitales y el 31,4% de otros sitios de atención.

Interlocutor	Gasto médico (US$B, % del total)	Gasto administrativo (US$B, % del total)
Pagadores privados	US$2.659 (90,4%)	US$282 (9,6%)
Pagadores públicos	US$1.169 (95,3%)	US$58 (4,7%)
Hospitales	US$1.180 (77,5%)	US$343 (22,5%)
Grupos médicos	US$747 (71,4%)	US$300 (28,6%)
Otros sitios de atención	US$638 (68,6%)	US$293 (31,4%)

3.2 Impacto agregado del sistema

Asumiendo un escenario de adopción plena —en el que todos los interlocutores adoptan íntegramente la IA en todos los dominios, tanto en gasto administrativo como médico, y en las tres tecnologías consideradas—, los autores estiman un valor neto anual de régimen de entre 5,7% y 10,6% del gasto sanitario total, equivalente a entre US$438.900 y US$810.700 millones anuales (en dólares de 2024), sobre un gasto total de US$7,7 billones. Los casos de uso liderados por IA generativa explican entre el 54,4% y el 55,9% de esa oportunidad total.

El gasto administrativo podría reducirse entre 9,4% y 19,8% (US$120.100–252.000 millones anuales), lo que representa el 29,8% del valor total estimado. El gasto médico podría reducirse entre 5,0% y 8,7% (US$318.800–558.600 millones anuales), explicando el 70,2% restante del valor.

Interlocutor	Oportunidad total (US$B / % del gasto)	Liderada por genAI
Pagadores privados	US$205,1–357,0 (7,0–12,1%)	58,9–59,9%
Pagadores públicos	US$62,4–107,4 (5,1–8,8%)	54,8–55,6%
Hospitales	US$130,6–219,5 (8,6–14,4%)	51,7–52,4%
Grupos médicos	US$29,0–89,9 (2,8–8,6%)	46,6–48,3%
Otros sitios de atención	US$11,9–36,9 (1,3–4,0%)	44,4–45,8%
TOTAL SISTEMA	US$438,9–810,7 (5,7–10,6%)	54,4–55,9%

3.3 Resultados por interlocutor

Hospitales. El valor neto anual estimado para los hospitales es de 8,6% a 14,4% del gasto total hospitalario (US$130.600–219.500 millones). El gasto administrativo podría reducirse entre 13,1% y 23,7% (US$44.800–81.200 millones, el 36,0% del valor total del interlocutor), mientras que el gasto médico podría reducirse entre 7,3% y 11,7% (US$85.700–138.300 millones, el 64,0% restante). Los dominios de mayor impacto financiero son operaciones clínicas (6,2%–9,3% del gasto hospitalario total, con casos de uso como la optimización de bloques quirúrgicos), seguido de calidad y seguridad (1,2%–2,4%) y continuidad de la atención (0,5%–1,2%).

Grupos médicos. El valor neto anual estimado es de 2,8% a 8,6% del gasto total de los grupos médicos (US$29.000–89.900 millones). El gasto administrativo podría reducirse entre 4,8% y 14,9% (US$14.200–44.700 millones, el 49,6% del valor total), y el gasto médico entre 2,0% y 6,1% (US$14.800–45.200 millones, el 50,4% restante). Los dominios con mayor impacto son operaciones clínicas (1,6%–4,3%, con casos de uso como la predicción de inasistencias a consulta), continuidad de la atención (0,6%–1,9%) y analítica clínica (0,2%–0,5%).

Pagadores privados. El valor neto anual estimado es de 7,0% a 12,1% del gasto total de los pagadores privados (US$205.100–357.000 millones). El gasto administrativo podría reducirse entre 16,2% y 31,8% (US$45.700–89.400 millones, el 24,0% del valor total), y el gasto médico entre 6,0% y 10,1% (US$159.400–267.600 millones, el 76,0% restante, con casos de uso como la predicción de reingresos evitables). Los dominios de mayor impacto son gestión de la salud (3,5%–5,3%), gestión de la relación con proveedores (1,8%–3,5%) y gestión de reclamos (1,4%–2,7%).

4. Discusión

Los autores subrayan que el valor estimado se distribuye entre todos los pagadores y proveedores —y también entre proveedores tecnológicos y pacientes—, abarcando tanto el gasto médico como el administrativo. Las mayores oportunidades del lado médico están en la gestión de la salud (pagadores gestionando pacientes de alta necesidad) y en las operaciones clínicas (gestión de la fuerza laboral y del throughput de los proveedores). Del lado administrativo, las mayores oportunidades están en la gestión de reclamos (pagadores) y en funciones corporativas como centros de llamadas y notas clínicas (pagadores y proveedores por igual).

El estudio destaca que la mayor parte de la oportunidad recae sobre los costos laborales, el principal rubro de costo variable para todos los interlocutores, lo que podría revertir una tendencia histórica de baja productividad laboral en el sector. Los autores aclaran explícitamente que su análisis es agnóstico respecto de cómo se utilizaría ese valor liberado —ya sea retenido como margen o reinvertido en la recapacitación de la fuerza de trabajo— y que no implica necesariamente una reducción del empleo.

4.1 ¿Por qué la adopción sigue siendo baja?

Frente a la magnitud de la oportunidad estimada, el artículo se pregunta por qué la IA no está siendo utilizada a mayor escala. Ofrece varias explicaciones: en primer lugar, la escala real de la oportunidad simplemente no era conocida hasta ahora. En segundo lugar, la adopción sigue siendo difícil, en particular en el ámbito clínico, donde los profesionales suelen sentirse incómodos con que la IA participe en decisiones clínicas; en consonancia con esto, la adopción está más avanzada en tareas administrativas que en tareas médicas.

En tercer lugar, la implementación exitosa requiere cambios organizacionales paralelos: entrenar un algoritmo no es lo más difícil, sino preparar los datos para su ingesta y modificar los comportamientos y flujos de trabajo necesarios. Según la experiencia de los autores, las organizaciones que implementan solo algunos casos de uso aislados obtienen un impacto limitado en sus resultados financieros, mientras que aquellas que transforman un dominio completo —como operaciones clínicas— logran un impacto mayor, al combinar la IA con el rediseño de procesos, mayor atención directiva y el financiamiento de los costos iniciales del cambio, incluida la deuda técnica existente.

Un factor adicional es la estructura de los pagos a proveedores: al ser todavía predominantemente por pago por servicio (fee-for-service), los incentivos para capturar el valor creado por la IA pueden no estar alineados con quien lo genera. Los autores señalan que los esquemas de pago basado en valor —y modelos recientes como el programa ACCESS de los Centros de Servicios de Medicare y Medicaid (CMS)— crean mayor alineación al incentivar explícitamente el uso de la IA para reducir la utilización de bajo valor.

4.2 Limitaciones reconocidas por los autores

• El estudio se basa en la experiencia observada de un panel de expertos, no en ensayos clínicos aleatorizados ni evidencia cuasiexperimental, por lo que su base de evidencia es más especulativa que un análisis ex post.
• Solo se consideraron las tecnologías de IA prevalentes al inicio del estudio (ML, NLP y genAI); no se modeló la IA agéntica, ya disponible pero surgida después del relevamiento.
• Se asumió una adopción casi plena de la IA, sin modelar la velocidad real de adopción ni los desafíos de gestión del cambio, recapacitación de personal y disrupción de flujos de trabajo.
• No se incluyeron los costos de implementación únicos, estimados en 1,0 a 1,5 veces el valor neto anual, que podrían ser particularmente difíciles de absorber para interlocutores de menor margen (hospitales, consultorios médicos) y organizaciones más pequeñas (hospitales rurales, planes de salud de un solo estado).
• No se asumió una línea de base de adopción ya existente en las organizaciones, pese a que hay evidencia de uso incipiente de herramientas de IA.
• Se ignoró la adopción de IA en otras partes del ecosistema de salud, como la formación médica, el descubrimiento de fármacos y la fabricación de dispositivos.
• No se modelaron efectos de segundo orden, como el incremento del volumen de prestaciones que podría producirse al liberar tiempo clínico (por ejemplo, más cirugías si cada una insume menos tiempo), ni el posible aumento de la utilización derivado de iniciativas de activación del consumidor, como la promoción de la atención preventiva.
• Podrían existir superposiciones de impacto financiero entre casos de uso de distintos interlocutores que el análisis no haya capturado por completo.

5. Mirando hacia adelante

Los autores concluyen que el valor estimado de la IA podría afectar de manera significativa la trayectoria del gasto sanitario estadounidense, y que los desafíos de adopción a nivel organizacional e industrial —aunque persistentes— no son insuperables, como muestra la experiencia de otras industrias que atravesaron transformaciones similares.

Concretar ese potencial requerirá superar barreras de implementación organizacional, especialmente en los dominios clínicos, lo que incluye una gestión de datos efectiva, talento y habilidades adecuados, y estructuras de gobernanza apropiadas. Aun resolviendo esas barreras internas, la adopción masiva podría verse limitada por desafíos de nivel industrial, tanto sociales (alineación de los profesionales clínicos, confianza de los pacientes) como tecnológicos (datos fragmentados y no estructurados, problemas de integración de sistemas).

Por eso, según los autores, las organizaciones deben combinar la implementación de IA con gestión del cambio, rediseño de procesos e inversión en infraestructura para lograr un impacto sostenido, mientras que los esfuerzos de política pública que incentiven y orienten una adopción responsable de la IA podrían potenciar estos esfuerzos organizacionales.

Ideas clave para la gestión sanitaria El valor estimado de la IA (5,7%–10,6% del gasto total) no se logra con casos de uso aislados: los mayores resultados aparecen cuando se transforma un dominio completo (por ejemplo, todo el proceso de operaciones clínicas), combinando IA con rediseño de procesos. La mayor parte del valor está en costos laborales, el rubro de costo variable más importante para todos los interlocutores del sistema. La alineación de incentivos entre financiador y prestador —hoy debilitada por el predominio del pago por servicio— condiciona qué parte del valor generado por la IA efectivamente se capta y quién la capta. Los costos de implementación (no incluidos en las cifras de valor neto) pueden equivaler a 1 a 1,5 veces el ahorro anual, un desafío mayor para instituciones de menor escala o margen más ajustado.

Referencias bibliográficas

Referencia completa del estudio resumido:

Sahni NR, O’Gorman K, Agarwal R, Bello Thornhill H, Cutler D. The Value Opportunity from Artificial Intelligence in U.S. Health Care Spending. NEJM Catal Innov Care Deliv. 2026;7(9). DOI: 10.1056/CAT.26.0037.

Bibliografía citada por los autores en el artículo original:

1. Papanicolas I, Woskie LR, Jha AK. Health care spending in the United States and other high-income countries. JAMA 2018;319:1024-1039.

2. Schneider EC, Sarnak DO, Squires D, Shah A, Doty MM. Mirror, mirror 2017: international comparison reflects flaws and opportunities for better U.S. health care. New York, NY: The Commonwealth Fund, 2017.

3. Sarnak DO, Squires D, Bishop S. Paying for prescription drugs around the world: why is the U.S. an outlier? New York, NY: The Commonwealth Fund, 2017.

4. Anderson GF, Hussey P, Petrosyan V. It’s still the prices, stupid: why the US spends so much on health care, and a tribute to Uwe Reinhardt. Health Aff (Millwood) 2019;38:87-95.

5. Anderson GF, Reinhardt UE, Hussey PS, Petrosyan V. It’s the prices, stupid: why the United States is so different from other countries. Health Aff (Millwood) 2003;22:89-105.

6. Sahni NR, Mishra P, Carrus B, Cutler DM. Administrative simplification: how to save a quarter-trillion dollars in US healthcare. Detroit, MI: McKinsey & Company, 2021.

7. Berwick DM, Hackbarth AD. Eliminating waste in US health care. JAMA 2012;307:1513-1516.

8. Bates DW, Levine D, Syrowatka A, et al. The potential of artificial intelligence to improve patient safety: a scoping review. NPJ Digit Med 2021;4:54.

9. Shrank WH, Rogstad TL, Parekh N. Waste in the US health care system: estimated costs and potential for savings. JAMA 2019;322:1501-1509.

10. Himmelstein DU, Jun M, Busse R, et al. A comparison of hospital administrative costs in eight nations: US costs exceed all others by far. Health Aff (Millwood) 2014;33:1586-1594.

11. Turner A, Miller G, Lowry E. High U.S. health care spending: where is it all going? New York, NY: The Commonwealth Fund, 2023.

12. Gunja MZ, Gumas ED, Williams II RD. U.S. health care from a global perspective, 2022: accelerating spending, worsening outcomes. New York, NY: The Commonwealth Fund, 2023.

13. Papanicolas I, Cylus J, Lorenzoni L. Cross-country comparisons in health price growth over time. Health Serv Res 2024;59:e14295.

14. Organisation for Economic Co-operation and Development. Understanding differences in health expenditure between the United States and OECD countries. Paris: OECD, 2022.

15. Sahni N, Kumar P, Levine E, Singhal S. The productivity imperative for healthcare delivery in the United States. McKinsey & Company, 2019.

16. Sahni NR, Carrus B. Artificial intelligence in U.S. health care delivery. N Engl J Med 2023;389:348-358.

17. Shaheen MY. Applications of Artificial Intelligence (AI) in healthcare: a review. ScienceOpen, 2021.

18. Paul D, Sanap G, Shenoy S, Kalyane D, Kalia K, Tekade RK. Artificial intelligence in drug discovery and development. Drug Discov Today 2021;26:80-93.

19. Lip S, Visweswaran S, Padmanabhan S. Transforming clinical trials with artificial intelligence. In: Reddy S, ed. Artificial intelligence: applications in healthcare delivery. London: Productivity Press, 2020.

20. Rahimi AK, Pienaar O, Ghadimi M, et al. Implementing AI in hospitals to achieve a learning health system: systematic review of current enablers and barriers. J Med Internet Res 2024;26:e49655.

21. Sahni N, Stein G, Zemmel R, Cutler DM. The potential impact of artificial intelligence on healthcare spending. Working Paper 30857. Cambridge, MA: National Bureau of Economic Research, 2023.

22. Mullainathan S, Obermeyer Z. Health data platforms. En: The economics of artificial intelligence: health care challenges. Chicago: University of Chicago Press, 2024:87-95.

23. Ismail A, Al-Zoubi T, El Naqa I, Saeed H. The role of artificial intelligence in hastening time to recruitment in clinical trials. BJR Open 2023;5:20220023.

24. Qureshi R, Irfan M, Gondal TM, et al. AI in drug discovery and its clinical relevance. Heliyon 2023;9:e17575.

25. Berryhill J, Heang KK, Clogher R, McBride K. Hello, World: Artificial Intelligence and its use in the public sector. Paris: Observatory of Public Sector Innovation, 2019.

26. Singhal S, Patel N. What to expect in US healthcare in 2025 and beyond. McKinsey & Co, 2025.

27. Sahni NR, Stein G, Zemmel R, Cutler DM. The potential impact of artificial intelligence on health care spending. En: The economics of artificial intelligence: health care challenges. Chicago: University of Chicago Press, 2024:49-86.

28. Luo L, Zhang F, Yao Y, Gong R, Fu M, Xiao J. Machine learning for identification of surgeries with high risks of cancellation. Health Informatics J 2020;26:141-155.

29. Kilic A, Goyal A, Miller JK, et al. Predictive utility of a machine learning algorithm in estimating mortality risk in cardiac surgery. Ann Thorac Surg 2020;109:1811-1819.

30. Allen B, Agarwal S, Coombs L, Wald C, Dreyer K. 2020 ACR data science institute artificial intelligence survey. J Am Coll Radiol 2021;18:1153-1159.

31. Bates DW, Auerbach A, Schulam P, Wright A, Saria S. Reporting and implementing interventions involving machine learning and artificial intelligence. Ann Intern Med 2020;172:S137-S144.

32. Nemati S, Holder A, Razmi F, Stanley MD, Clifford GD, Buchman TG. An interpretable machine learning model for accurate prediction of sepsis in the ICU. Crit Care Med 2018;46:547-553.

33. Cooley-Rieders K, Zheng K. Physician documentation matters. Using natural language processing to predict mortality in sepsis. Intell Based Med 2021;5:100028.

34. Maleki Varnosfaderani S, Forouzanfar M. The role of AI in hospitals and clinics: transforming healthcare in the 21st century. Bioengineering (Basel) 2024;11:337.

35. Lee D, Yoon SN. Application of artificial intelligence-based technologies in the healthcare industry: opportunities and challenges. Int J Environ Res Public Health 2021;18:271.

36. Li RC, Smith M, Lu J, et al. Using AI to empower collaborative team workflows: two implementations for advance care planning and care escalation. NEJM Catal Innov Care Deliv 2022;3(4).

37. Yuan S, Yang Z, Li J, Wu C, Liu S. AI-Powered early warning systems for clinical deterioration significantly improve patient outcomes: a meta-analysis. BMC Med Inform Decis Mak 2025;25:203.

38. Shah R, Bozic KJ, Jayakumar P. Artificial intelligence in value-based health care. HSS J 2025;21:15563316251340074.

39. Nasser LK. The evolution of automated medical billing with artificial intelligence: a review with a global and Saudi perspective. Cureus 2025;17:e96464.

40. Toffaha KM, Simsekler MCE, Omar MA, ElKebbi I. Predicting patient no-shows using machine learning: a comprehensive review and future research agenda. Intell Based Med 2025;11:100229.

41. Hunik L, Chaabouni A, van Laarhoven T, et al. Diagnostic prediction models for primary care, based on AI and electronic health records: systematic review. JMIR Med Inform 2025;13:e62862.

42. Shopijen E. AI in patient care: a narrative review of safety promises and pitfalls. Int J Nurs Sci. 2025. In Press.

43. Carroll NW, Jones A, Burkard T, Lulias C, Severson K, Posa T. Improving risk stratification using AI and social determinants of health. Am J Manag Care 2022;28:582-587.

44. Mello MM, Trotsyuk AA, Mahamadou AJD, Char D. The AI arms race in health insurance utilization review: promises of efficiency and risks of supercharged flaws. Health Aff (Millwood) 2026;45:6-13.

45. Blue Cross Blue Shield of Minnesota. Artificial intelligence: a catalyst for connection. Accedido enero de 2026.

46. Zhang G, Atasoy H, Vasarhelyi MA. Continuous monitoring with machine learning and interactive data visualization: an application to a healthcare payroll process. Int J Account Inf Syst 2022;46:100570.

47. Stults CD, Deng S, Martinez MC, et al. Evaluation of an ambient artificial intelligence documentation platform for clinicians. JAMA Netw Open 2025;8:e258614.

48. Duggan MJ, Gervase J, Schoenbaum A, et al. Clinician experiences with ambient scribe technology to assist with documentation burden and efficiency. JAMA Netw Open 2025;8:e2460637.

49. Sasseville M, Yousefi F, Ouellet S, et al. The impact of AI scribes on streamlining clinical documentation: a systematic review. Healthcare (Basel) 2025;13:1447.

50. Kanaparthy NS, Villuendas-Rey Y, Bakare T, et al. Real-world evidence synthesis of digital scribes using ambient listening and generative artificial intelligence for clinician documentation workflows: rapid review. JMIR AI 2025;4:e76743.

51. Pelletier JH, Watson K, Michel J, McGregor R, Rush SZ. Effect of a generative artificial intelligence digital scribe on pediatric provider documentation time, cognitive burden, and burnout. JAMIA Open 2025;8:ooaf068.

52. Everson J, Nong P, Richwine C. Uptake of generative AI integrated with electronic health records in US hospitals. JAMA Netw Open 2025;8:e2549463.

53. U.S. Centers for Disease Control and Prevention, National Center for Health Statistics. National Health Expenditure Accounts. 2025.

54. Centers for Medicare & Medicaid Services. Trustees Report & Trust Funds. 2025.

55. Centers for Medicare & Medicaid Services. Medicaid Financial Management Data. 2024.

56. KFF. 2023 employer health benefits survey. 2023.

57. Agency for Healthcare Research and Quality. Medical Expenditure Panel Survey.

58. Medicaid and CHIP Payment and Access Commission. Cost Sharing and Premiums. 2018.

59. Centers for Medicare & Medicaid Services. Medicare current beneficiary survey — survey file. 2023.

60. McKinsey & Co. The state of AI in 2025: agents, innovation, and transformation. 2025.

61. Garcia P, Ma SP, Shah S, et al. Artificial intelligence–generated draft replies to patient inbox messages. JAMA Netw Open 2024;7:e243201.

62. Lamarre E, Smaje K, Zemmel R. Rewired to outcompete: six signature moves led by the C-suite can build organizations that will outperform in the age of digital and AI. McKinsey Quarterly, 2023.

63. Nong P, Adler-Milstein J, Apathy NC, Holmgren AJ, Everson J. Current use and evaluation of artificial intelligence and predictive models in US hospitals. Health Aff (Millwood) 2025;44:90-98.

64. Health Care Payment Learning & Action Network. 2022–2024 measurement results. 2024.

65. America’s Health Insurance Plans. A playbook of voluntary best practices for VBC payment arrangements. 2024.

66. U.S. Centers for Medicare & Medicaid Services. ACCESS (advancing chronic care with effective, scalable solutions) model. 2026.

67. Wong A, Nallamothu BK, Longhurst CA, Singh K. Leveraging AI to reduce operational healthcare costs: lessons from other industries. NPJ Health Syst 2026;3:9.