DEUTSCH

Kann AI-machen Sie Ihre Krankenversicherung besser?

163

Gesundheitswesen und Künstliche Intelligenz (KI) sind alle sehr viel in den Nachrichten gerade jetzt. Die United State Senat veröffentlicht hat Gesetzentwürfe für die Aufhebung der Affordable Care Act (aka “Obamacare”), so dass einige Amerikaner unsicher über Ihre Berichterstattung. Inzwischen werden die Sätze “machine learning” (ML) und der “künstlichen Intelligenz” begeistern können, die Bedenken Ihrer eigenen.

Was ist, wenn es eine Möglichkeit zum kombinieren Gesundheitsversorgung mit machine-learning versuchen und die Lieferung von Dienstleistungen nicht nur effizienter (was viele machen sich sorgen können, code für “weniger großzügig”), aber mehr proaktive als auch? Könnte diese Kosten senken und Verbesserung der Pflege? Könnte es helfen Zahler Optimierung der Kundenbetreuung über die stumpfen Metrik der Führung der Kunden-service-Aufruf Dauer niedrig?

Gesunde tech?
Ein Unternehmen denkt so. Ritterschlag und seine Maya-Intelligence-Engine, die es vergangene Woche angekündigt, ML verwenden und AI gegenüber diesen enden. Das Unternehmen hat die vielleicht zweideutig Ehrgeiz liefern die “beste personalisierte Erfahrung im Gesundheitswesen,” es scheint auch die Anwendung sowohl Daten-als auch die Wissenschaft und der gesunde Menschenverstand Versicherungsunternehmen dabei helfen, einen besseren job zu helfen, Ihre Kunden.

Wenn ich Sprach mit Mike Hilton, Auszeichnung Chief Product Officer in dieser Woche, erklärte er mir, dass das konventionelle Modell in der Gesundheitsversorgung ist, um das Ziel sickest 5% seiner Kunden Bevölkerung, leiten einige die Kontaktaufnahme zu Ihnen, und vielleicht tun einige von predictive analytics auf, was Ihre nächste Aktion sein sollte. Hilton sagt, dass Kunden nicht dazu neigen, wie dieser Ansatz und die Teilnahmequote für diese Bemühungen seitens der Kunden ist sehr gering.

Jenseits der 5%
Auszeichnung Ansatz ist zu werfen ein viel breiteres Netz, targeting nicht nur die 5% der Kunden Bevölkerung in den meisten akuten Zustände der Krankheit, sondern enthalten viele gesunde Kunden. Targeting jüngeren Mitgliedern, die vielleicht ganz gesund, hat Verdienste zu-denn diese könnten die selben sein, Mitglieder, die, zum Beispiel, sträuben sich bei der forderungsanmeldung, oder naiv verwenden Sie out-of-network-Anbieter und sind zögerlich zu rufen und bitten Sie um Klärung über eine hohe Rechnung, die Sie erhalten können.

Dies, wiederum, machen Sie ruhig unzufrieden mit Ihrer Berichterstattung, ill-at-Leichtigkeit, mit der Sie es, oder lax zum planen frei im Netz Systemteste und wie. Solche Unnahbarkeit aus, die Ihre Vorteile kann zu schlechter Gesundheit führen später sowie weniger als hartnäckig Verwaltung Ihrer Bedingungen.

ML ist proaktiv
Maschinelles lernen kann helfen hier. Es ist deutlich, in der der Versicherer Interesse daran zu haben, Ihre gesündere Mitglieder zufrieden mit Ihrer Berichterstattung und nutzen Sie Ihre präventiven Leistungen. Intelligenz in der Ritterschlag-Plattform können trigger-outreach erklärt, dass die Parameter von die-provider-Netzwerk, oder einem (menschlichen) Assistenten im Gesundheitswesen ebenso tun, per Telefon. Dies kann helfen, Vertrauen aufzubauen und eine Beziehung führt, dass Mitglieder mehr komfortabel nutzen Ihre Berichterstattung und proaktive in Ihrer eigenen Versorgung.

Jenseits der “gesunden tausendjährigen” – Szenario, vorstellen eine Frau mittleren Alters, die pre-Diabetiker. Frühes engagement Sinn machen wird, sowohl für den Versicherer und dem Mitglied. Proaktives management der Erkrankung werden deutlich niedrigere Kosten für die ehemaligen. Aber es stellt auch die verantwortliche Koordination der Pflege. Ohne Maschine lernen, sagen die Kostenträger sollten Sie sich auf eine solche öffentlichkeitsarbeit könnte glib am besten; aber mit ML, Versicherern umsetzen können, als eine Angelegenheit von Verfahren, mit einem hohen Maß an Vertrauen, statistisch, dass es in Ihrem Interesse, dies zu tun.

Die Fürsorge für die iPhone-generation
Dieses ganze Kalkül der Analyse von engagement-Daten, medizinische Vorgeschichte, Voraussetzungen und “Lebens-Kontext”, und dann Eingriff, hat einige lingo, die zusammen mit ihm geht: die Ermittlung des “next best action”.” Das ist ein großer Teil dessen, was Ausgezeichnet funktioniert, aber die Technik ist keineswegs auf die back-end. Auszeichnung bietet eine mobile-app als auch, dass die Mitglieder nutzen können, um Kommunikation mit gesundheitshelfer und Krankenschwestern — etwas viel mehr schmackhaft machen in dieser Zeit, als einen Termin für einen Arztbesuch und die Einnahme von vielleicht Stunden des Tages in der Reise -, Wartezeit und Termin.

Auch mit mobile-app-Interaktionen, die Maya-engine helfen kann. Mit der Verarbeitung Natürlicher Sprache, Maya lässt sich wieder engagieren, um next best action ” …es kann auch bestimmen, ob die Gesundheit der Helfer ist es zu empfehlen und wenn das Mitglied verfolgt. Das ist wieder so viel gesunden Menschenverstand, wie es AI und, let ‘ s face it, die Krankenversicherung Welt kann wirklich profitieren von beiden.

Portion konkurrierenden Interessen
Interessanterweise, obwohl die Auszeichnung würdigt Kunden, die Träger sind die teilnehmenden in der Krankenversicherung Austausch (es gibt, dass Obamacare Sache wieder!), die meisten seiner Kunden sind selbst-Versicherung der Arbeitgeber. Das ist ein interessanter Wahlkreis, weil es hat ein berechtigtes Interesse sowohl in der Wirtschaftlichkeit sowie der Gesundheit der Mitarbeiter und der Zufriedenheit der Mitarbeiter (wie diese führen zu einer höheren Mitarbeiterbindung). Self-Versicherung sind die Arbeitgeber nicht gedient, durch Systeme, die spielen nur, um die Kosten zu minimieren — ein solcher Ansatz führt nur zu höheren Kosten bei der Rekrutierung und Mitarbeiter-Produktivität.

Auszeichnung, sagt seine Plattform hat eine 70 Net Promoter Score und sagt, das ist zehn mal dem Durchschnitt der Branche. Hilton erklärte ein Industrie-Begriff der Kunst für mich: das so genannte “Triple-Ziel”, was bedeutet, dass der Erfüllung der Ziele der glücklichere Verbraucher, gesündere Verbraucher und geringere Kosten im Gesundheitswesen. Als mit dem CAP-theorem in Daten Wissenschaft, jede Facette des Dreifachen Ziel kann die Arbeit in der opposition der anderen, und die Erreichung aller drei ist schwer zu fassen.

Aber Hilton sagt Auszeichnung ist sehr gut bei der alle drei Aspekte. Er hat mir auch erzählt Auszeichnung ist ein großes data-science-team. Diese Wechselbeziehung kann ein element der Kausalität als gut. Manchmal, Daten Wissenschaft macht es nur einfacher, das richtige zu tun.