0
Sundhedspleje og Kunstig Intelligens (AI) er hver især meget i nyhederne lige nu. Usa Senat har udsendt udkast til lovforslag om ophævelse af den Overkommelige Care Act (aka “Obamacare”), så nogle Amerikanere med bæven om deres dækning. I mellemtiden, de sætninger “machine learning” (ML) og “kunstig intelligens”, som kan inspirere til bekymringer om deres egen.
Hvad hvis der var en måde at kombinere sundhedspleje dækning med machine learning til at prøve og gøre levering af tjenesteydelser, der ikke bare mere effektive (som mange bekymringer kan være koden for “mindre generøse”), men mere proaktiv? Dette kunne reducere omkostningerne og forbedre sig? Kunne det hjælpe betalere optimere kundeservice ud over den stumpe metrisk holde kundeservice call varigheder lave?
Sund tech?
En virksomhed, der mener det. Accolade, og dens Maya Intelligens Motor, som det meddelte i sidste uge, skal du bruge ML og AI mod disse meget slutter. Mens virksomheden har måske tvetydig ambition om at levere den “mest personlige sundhedspleje oplevelse”, det synes også at være anvendelse af både data videnskab og sund fornuft til at hjælpe forsikringsselskaberne med at blive bedre til at hjælpe deres kunder.
Maya Intelligens Motor flow beskrivelse
Kredit: Accolade
Da jeg talte med Mike Hilton, Accolade ‘ s Chief Product Officer i denne uge, han forklarede mig, at den konventionelle model i sundhedsvæsenet er at målrette den sygeste 5% af vores befolkning, foretage nogle mere opsøgende over for dem, og måske gøre nogle predictive analytics på hvad deres næste forløb skal være. Hilton siger, at kunderne ikke har tendens til at kunne lide denne tilgang og deltagelse priser for disse opsøgende indsats på den del af kunden er meget lav.
Ud over de 5%
Accolade ‘ s tilgang er at kaste et bredere net, rettet mod ikke blot de 5% af kundens befolkningen i de mest akutte tilstande af sygdom, men til også at omfatte masser af sunde kunder så godt. Rettet mod yngre medlemmer, der kan være ganske sundt, er fordelene også-fordi de kan være den meget samme medlemmer, som, for eksempel, stritter ved indgivelse af krav, eller er naivt at bruge out-of-udbydere, og er tilbageholdende med at ringe og bede om en afklaring af om en høj regning, de modtager.
Dette, igen, kan du gøre dem stille og roligt, der er utilfredse med deres dækning, syge-på-lethed med at bruge det, eller slap om planlægning gratis på nettet physicals og lignende. En sådan afstandtagen fra deres fordele, der kan føre til dårligt helbred senere, såvel som mindre end ihærdige ledelse af deres forhold.
ML er proaktiv
Machine learning kan hjælpe her. Det er klart i forsikringsselskabernes interesse at have deres sundere medlemmer er tilfredse med deres dækning og drage fordel af deres forebyggende ydelser. Intelligens i Engelsk platform kan udløse opsøgende arbejde, der forklarer de parametre udbyder netværk, eller har en (menneskelig) sundhedsydelser, assistent gøre det samme, ved telefonen. Dette kan hjælpe med at etablere tillid og en rapport, der fører medlemmer til at være mere behageligt at tage fordel af deres dækning og proaktive i deres egen behandling.
Ud over den “sunde tusindårige” scenarie, så forestil dig en midaldrende kvinde, der er præ-diabetes. Tidligt engagement vil give mening, for både forsikringsselskabet og den pågældende. Proaktiv styring af betingelsen vil klart lavere omkostninger for den tidligere. Men det er også ansvarlig for pleje og koordinering. Uden machine learning, fortæller betalere de bør engagere sig i en sådan opsøgende arbejde kan være glib i bedste; men med ML, forsikringsselskaber kan gennemføre det, som et spørgsmål om forhandling, med en høj grad af tillid, statistisk set, at det er i deres interesse at gøre det.
Omsorg for iPhone generation
Hele dette calculus analysere engagement data, medicinsk historie, betingelser og “kontekst”, og så engagerende, har nogle lingo, der går langs med det: at bestemme den “næste bedste handling.” Det er en stor del af, hvad Anerkendelse er, men dens teknologi er på ingen måde på back-end. Skulderklap tilbyder en mobil-app samt at medlemmerne kan bruge til at kommunikere med både sundheds-assistenter og sygeplejersker-noget langt mere spiselig i denne tid end at lave en aftale for et kontor besøg og tager måske timer ud af dagen i rejse -, vente-og aftale tid.
Et screenshot form er Perfekt Mobil app
Kredit: Accolade
Selv med mobile app interaktioner, Maya motoren kan hjælpe. Ved hjælp af Naturligt Sprog Forarbejdning, Maya igen kan engagere sig omkring næste bedste action…det kan også afgøre, om sundheds-assistent er at anbefale den, og hvis den pågældende udøver det. Igen, dette er så meget sund fornuft, som det er AI, og, lad os se det i øjnene, sygesikring verden virkelig kan drage fordel af begge dele.
Servering konkurrerende interesser
Interessant, selv om Udmærkelse, har kunder, der er luftfartsselskaber, der deltager i sundhed forsikring udvekslinger (der er, at Obamacare ting igen!), de fleste af sine kunder er selvstændig forsikring arbejdsgivere. Det er et interessant valgkreds, fordi det har økonomiske interesser både omkostnings-effektivitet samt medarbejdernes sundhed og medarbejdertilfredshed (da disse kan føre til højere fastholdelse af medarbejdere). Selvstændig forsikring arbejdsgivere, der ikke er godt tjent med systemer, der kun spiller for at minimere omkostninger, — en sådan tilgang vil blot resultere i højere omkostninger i forbindelse med ansættelse og medarbejdernes produktivitet.
Skulderklap siger sin platform har en 70 Net Promotor Score og siger, at der er ti gange gennemsnittet i branchen. Hilton forklarede en industri udtryk for kunst, til mig: den såkaldte “Triple Aim”, som indebærer, at tilfredsstille den mål af lykkeligere forbrugerne, sundere forbrugerne, og lavere udgifter til pleje. Som med den fælles LANDBRUGSPOLITIK sætning i data videnskab, hver facet af den Tredobbelt Mål kan arbejde i opposition på den anden, og at alle tre er undvigende.
Men Hilton siger Ros er meget godt i alle tre aspekter. Han har også fortalt mig, at Ros har en stor data science team. Denne korrelation kan have et element af årsagssammenhæng så godt. Nogle gange, data videnskab bare gør det mere ligetil at gøre de rigtige ting.
0