ITALIANO

Può IA rendere la vostra assicurazione sanitaria di meglio?

Di assistenza sanitaria e di Intelligenza Artificiale (AI) sono tutte molto nelle notizie ora. Il Senato ha rilasciato il progetto di legge per abrogare l’Affordable Care Act (aka “Obamacare”), lasciando alcuni Americani con trepidazione per la loro copertura. Nel frattempo, le frasi “machine learning” (ML) e di “intelligenza artificiale” in grado di ispirare le preoccupazioni dei loro propri.

Che cosa se ci fosse un modo per combinare la copertura sanitaria con la macchina di apprendimento per prova ed effettuare la consegna di servizi non solo più efficiente (che molti temono possa essere il codice per “meno ” generosi”), ma più proattivo? Questo potrebbe tagliare i costi e migliorare la cura? Potrebbe aiutare i contribuenti di ottimizzare la cura del cliente oltre il sistema metrico di mantenere il servizio clienti durate basso?

Sano tech?
Una società pensa così. Riconoscimento, e la sua Maya Motore di Intelligenza, che ha annunciato la scorsa settimana, l’utilizzo ML e AI confronti di questi confini. Mentre la società ha forse ambiguo ambizione di offrire “di più personalizzato di assistenza sanitaria”, sembra anche essere applicato sia i dati che la scienza e il senso comune per aiutare le compagnie di assicurazione fare un lavoro migliore di aiutare i propri clienti.

Quando ho parlato con Mike Hilton, Onorificenza, Chief Product Officer di questa settimana, mi ha spiegato che il tradizionale modello di assistenza sanitaria è quello di colpire i migliori 5% del suo cliente popolazione, condotta impegnano a loro e, magari, fare qualche analisi predittiva su ciò che il loro prossimo corso di azione dovrebbe essere. Hilton afferma che i clienti tendono a non piace questo approccio e i tassi di partecipazione per questi sforzi di sensibilizzazione da parte del cliente è molto bassa.

Oltre il 5%
Un riconoscimento è nel cast di una più ampia rete, mira non solo il 5% della popolazione dei clienti in più acuta stati di malattia, ma di includere un sacco di sane clienti. Targeting giovani soci, che può essere abbastanza in salute, è merito anche-perché quelli che possono essere gli stessi membri che, per esempio, setola deposito di richiesta di risarcimento, o ingenuamente utilizzo out-of-network provider e sono riluttanti a chiamare e chiedere chiarimenti su una proposta di legge ad alta possono ricevere.

Questo, a sua volta, può farli tranquillamente soddisfatti con la loro copertura, a disagio con l’uso, o lax sulla pianificazione di connessione di rete fisici e simili. Tale distacco da loro benefici può portare a cattive condizioni di salute più tardi, così come meno tenace di gestione delle loro condizioni.

ML è proattivo
Macchina di apprendimento può aiutare qui. È chiaro nell’assicuratori di interesse per avere il loro sano membri soddisfatti con la loro copertura e trarre vantaggio della loro preventiva benefici. L’intelligenza del Riconoscimento piattaforma può innescare sensibilizzazione che spiega i parametri del provider di rete o si dispone di un (uomo) assistente sanitario fare altrettanto, per telefono. Questo può aiutare a stabilire un rapporto di fiducia e un rapporto che porta i membri a essere più confortevole, approfittando della loro copertura e propositivo nella loro cura.

Al di là di sana “millenaria” scenario, immaginate una donna di mezza età che è pre-diabetici. Tempestivo avrà un senso, sia per l’assicuratore e gli stati membri. Gestione proattiva della condizione chiaramente minori costi per l’ex. Ma costituisce anche responsabile coordinamento dell’assistenza. Senza di machine learning, raccontando i contribuenti dovrebbero impegnarsi in tale apertura potrebbe essere glib al meglio; ma con ML, le compagnie di assicurazione in grado di implementare, come una questione di routine, con un alto grado di fiducia, statisticamente, che è nel loro interesse farlo.

La cura per la generazione di iPhone
Questo complesso calcolo di analisi dei dati del coinvolgimento, la storia medica, le condizioni e il “contesto di vita”, e quindi coinvolgente, ha gergo che va con esso: la determinazione del “migliore azione”. Che è una grande parte di ciò che un Riconoscimento, ma la sua tecnologia non è affatto sul back-end. Riconoscimento offre una mobile app che i membri possono utilizzare per comunicare sia con la salute assistenti e infermieri — qualcosa di molto più appetibile in questa era di prendere un appuntamento per una visita ambulatoriale e prendere magari ore della giornata in viaggio, di attesa e l’ora dell’appuntamento.

Anche con app mobile farmacologiche, Maya motore può aiutare. Utilizzando l’Elaborazione del Linguaggio Naturale, Maya, ancora una volta, può coinvolgere tutto la prossima azione migliore…e si può anche determinare se la salute assistente di consigliarlo e se il membro che la persegue. Di nuovo, questo è come molto buon senso, in quanto è l’IA e, ammettiamolo, l’assicurazione sanitaria mondo può davvero beneficiare di entrambi.

Servire interessi concorrenti
È interessante notare che, sebbene il Riconoscimento ha clienti che sono portatori partecipano gli scambi di assicurazione (non c’è che Obamacare cosa di nuovo!), la maggior parte dei suoi clienti sono auto-assicurazione datori di lavoro. Ecco un interessante circoscrizione, perché ha interessi sia in termini di costi l’efficienza e la salute dei dipendenti e la soddisfazione dei dipendenti (come questi portino a una maggiore fidelizzazione dei dipendenti). Auto-assicurare i datori di lavoro non sono ben servita da sistemi che gioca solo a ridurre al minimo i costi-un tale approccio sarebbe solo risultato in aumento dei costi di reclutamento e la produttività dei dipendenti.

Riconoscimento, dice la sua piattaforma ha un 70 Net Promoter Score e dice che è dieci volte la media del settore. Hilton ha spiegato un termine di settore dell’arte per me: la cosiddetta “Triplice Obiettivo”, che comporta, per soddisfare gli obiettivi più felici i consumatori, più sano per i consumatori e di abbassare il costo delle cure. Come per il teorema PAC in data science, ogni aspetto della Triplice Scopo che può lavorare in opposizione degli altri, e il raggiungimento di tutti e tre è sfuggente.

Ma la Hilton dice il Riconoscimento è fatto molto bene in tutti e tre gli aspetti. Inoltre mi ha detto Riconoscimento è un grande data science team. Che correlazione può avere un elemento di casualità. A volte, i dati della scienza rende solo più semplice di fare la cosa giusta.