Страховые компании и ИИ

Сегодня медицинские страховые компании используют искусственный интеллект (ИИ) и машинное обучение способами, которые не могли быть применены только 5 лет назад, чтобы лучше определить людей с повышенным риском и снизить затраты.

«Применимость и возможность со стороны страховщиков являются фантастическими», - сказал Марк Морш (Mark Morsch), вице-президент Technology for Optum360. «За последние несколько лет ИИ стал горячим.

Самые большие прорывы - это более сложное машинное обучение. Возможность принимать эти данные и использовать их для управления алгоритмами и перехода к более прогностическому ».

Optum, например, теперь запускает пилотную программу для страховщиков, чтобы использовать AI в процессах, выполняемых вручную, по словам Марка Морша, вице-президента Technology for Optum360.

Морш-со-изобретатель механизма обработки естественного языка жизненного цикла с тремя патентами на технологию НЛП для компьютерного кодирования - и его команда разрабатывают проект. Он также является заместителем председателя проекта HIMSS Health Story.

Конкретные области для оптимизации включают в себя процесс рассмотрения медицинской документации, предварительное разрешение, предварительную проверку платежей и аудит после оплаты.

Обзор медицинской документации часто полагается на медсестру или врача, чтобы прочитать запись пациента и сравнить ее с политикой для того, что разрешено. Обученный человек должен определить, подходит ли пациент для получения пособий.

Плательщики управляют риском
В дополнение к обзору медицинской документации плательщики применяют алгоритмы AI и машинного обучения для управления рисками.

«Управление и прогнозирование рисков лежит в основе того, что делают плательщики, - сказал Фрэнк Джексон, исполнительный вице-президент Payer Markets for Prognos.

Prognos - это один из примеров того, как поставщик использует ИИ для моделирования более точного уровня риска, чтобы определить, какие члены нуждаются в наибольшей заботе, и будет управлять наивысшей стоимостью, поэтому страховщики могут тратить свои ресурсы на этих бенефициаров.

Джексон сказал, что страховщики должны быть в состоянии правильно оценить риск, чтобы установить правильную премию. Если они немного упустили оценку и пошли слишком низко, это может быть дорогостоящим, добавил он. Но если цена слишком высока, они могут потерять этот контракт с работодателем в следующем году.

«Один процентный пункт в премиях приводит к миллионам долларов», - сказал Джексон.

Традиционным методом, предлагающим премиальную цену группе работодателей, является использование средних значений. Например, мужчина в возрасте 30 лет, в среднем, стоит определенную сумму, а затем эта цифра агрегируется.

Плательщики обычно начинают с использования наиболее легкодоступных данных: претензий. Но у претензий есть только одно поле, первичный код диагноза. Они не регистрируют вторичные диагнозы, которые могут выявить важную информацию.

И это дорого. Если плательщик Medicare Advantage хочет вытащить диаграмму пациента для клинического обзора, она может стоить до 40 долларов США за каждый график. Но больший риск в МА, обеспечивающий нездоровое население, приводит к большему возмещению в процессе корректировки рисков. Планируется определить условия своих членов.

Prognos использует лабораторный реестр 18 миллиардов клинических записей для стратификации риска для группы бенефициаров, которые только что зарегистрировались. Они могут получить идентифицированные данные, идущие 2 года назад.

Применяя ИИ, они могут позволить страховщикам узнать, какие члены нуждаются в управлении болезнями.

«Мы собираемся заполнить пробел в данных, - сказал Джексон. «AI использует инструменты, доступные как узкая узкая сеть, и нахождение ответов на сложные вопросы».

Пять-десять лет назад ничто из этого не было возможно. AI требует значительных вычислительных мощностей. Десять лет назад такие модели просто занимали слишком много времени.

AI для оптимизации здоровья
Доктор Тришан Панч (Dr. Trishan Panch), главный медицинский работник Wellframe, использует ИИ для оптимизации лечения хронических состояний.

ИИ и машинное обучение переходят от индивидуального и реактивного подхода к более стандартизированному и упреждающему управлению обслуживанием пациентов.

«Одним из самых больших результатов является высокий уровень участия, который мы смогли достичь», - сказал Панч.

Пациенты получают персонализированный ежедневный контрольный список на своих мобильных устройствах во всех необходимых вещах. Данные, собранные о соблюдении лекарств и другой информации, надежно передаются клиенту или менеджеру плана медсестер через приборную панель.

Используя модель машинного обучения, Wellframe может уделять первоочередное внимание тем пациентам, которые должны быть нацелены, например, кому-то, кто интересуется потерей веса или прекращением курения. Они знают, кто выиграл.

Одна удивительная вещь заключается в том, что пациенты не считают это жутким быть в отдаленных отношениях с клиницистом, сказал Панч. Связи формируются, следуя программе ухода, задавая полезные вопросы, обсуждая проблемы со здоровьем, а некоторые из них могут быть темными, эмоциональными разговорами.

«Тот факт, что это происходит на мобильном устройстве с некоторыми телефонными звонками, - сказал Панч. «Красота технологий заключается в том, что вы можете привлечь ее к большему количеству людей в течение более длительного периода времени».
В области плательщика финансовые стимулы для ухода за ценными бумагами выровнены. Здоровье населения - это вопрос о том, какие пациенты должны быть ориентированы на услуги. Плательщики сосредоточились на исторической стоимости.