FRANÇAIS

Pouvez IA faire de votre assurance santé de mieux?

164

De la santé et de l’Intelligence Artificielle (IA) sont chacune très bien dans le communiqué de la droite maintenant. Les états-Unis au Sénat a publié le projet de loi pour l’abrogation de la Loi sur les Soins Abordables (aka “Obamacare”), laissant certains Américains avec une certaine appréhension au sujet de leur couverture. Pendant ce temps, les expressions “machine learning” (ML) et de “l’intelligence artificielle” peut inspirer des préoccupations qui leur sont propres.

Que faire si il y avait un moyen de combiner la couverture des soins de santé avec l’apprentissage de la machine à essayer de faire de la prestation de services qui ne sont pas plus efficaces (dont beaucoup craignent peut-être le code pour le moins “généreux”), mais plus proactive? Cela pourrait-il réduire les coûts et améliorer les soins? Pourrait-il aider les payeurs d’optimiser les soins à la clientèle au-delà de la émoussé métrique de maintien de service à la clientèle de la durée des appels bas?

Sain tech?
Une société pense. Accolade, et son Maya Moteur d’Intelligence, de laquelle il a annoncé la semaine dernière, l’utilisation ML et de l’IA à l’égard de ces extrémités. Bien que la société a peut-être ambigu ambition de livrer le “plus personnalisé de l’expérience de soins de santé,” il semble aussi s’appliquer à la fois les données de la science et de bon sens pour aider les compagnies d’assurance de faire un meilleur travail en aidant leurs clients.

Quand j’ai parlé avec Mike Hilton, Accolade du Chief Product Officer de cette semaine, il m’a expliqué que le modèle traditionnel dans les soins de santé est de cibler les plus en difficulté de 5% de sa clientèle de la population, de mener des activités de sensibilisation pour eux et peut-être faire quelques analyses prédictives sur ce que leur prochain plan d’action devrait être. Hilton dit que les clients n’ont pas tendance à aimer cette approche et les taux de participation pour ces efforts de sensibilisation de la part du client est très faible.

Au-delà de la 5%
Consécration de l’approche est de jeter un beaucoup plus net, le ciblage n’est pas seulement les 5% de la clientèle de la population dans la plupart des états aigus de la maladie, mais de comprendre beaucoup de la bonne santé des clients. Le ciblage des membres plus jeunes, qui peuvent être tout à fait sain, a fond, parce que ceux-ci peuvent être les mêmes que ceux qui, par exemple, des soies au dépôt d’une réclamation, ou naïvement utiliser des fournisseurs de réseaux et hésitent à appeler et de demander des éclaircissements à propos d’une haute facture qu’ils peuvent recevoir.

Ceci, à son tour, peut faire tranquillement insatisfaits de leur couverture, mal à l’aise avec elle à l’aide, ou le laxisme sur la planification de l’gratuite dans le réseau de paramètres physiques et la comme. Une telle distanciation de leurs prestations peut conduire à une mauvaise santé, plus tard, ainsi que moins de tenace de la gestion de leurs conditions de vie.

ML est proactif
L’apprentissage de la Machine peut vous aider ici. Il est clairement dans la des assureurs l’intérêt d’avoir de leurs plus sain membres satisfaits de leur couverture et de profiter de leurs avantages préventifs. L’Intelligence dans le titre de plate-forme peut déclencher de sensibilisation qui explique les paramètres du fournisseur de réseau, ou d’avoir un (homme) de soins de santé assistant de faire de même, par téléphone. Cela peut aider à établir la confiance et une relation qui conduit les membres à être plus à l’aise de prendre avantage de leur couverture et proactifs dans leurs propres soins.

Au-delà de la “bonne santé millénaire” scénario, imaginer une femme d’âge moyen qui est pré-diabétique. Début de l’engagement du sens, pour l’assureur et le membre. Une gestion Proactive de l’état sera clairement de réduire les coûts pour l’ancien. Mais il constitue également responsable de la coordination des soins. Sans l’apprentissage de la machine, de raconter les payeurs, ils devraient s’engager dans une telle approche pourrait être glib au mieux; mais avec ML, les assureurs peuvent mettre en œuvre, comme une question de procédure, avec un degré de confiance élevé, statistiquement, qu’il est dans leur intérêt de le faire.

Prendre soin de la génération de l’iPhone
Cet ensemble de calcul de l’analyse de données sur l’engagement, les antécédents médicaux, les conditions et le “cadre de vie”, et ensuite l’engagement, a quelques le jargon qui va avec: la détermination de la “meilleure action.” C’est une grande partie de ce que l’Accolade, mais sa technologie est en aucun cas sur le back-end seulement. Accolade propose une application mobile ainsi que les membres peuvent utiliser pour communiquer avec les deux auxiliaires de santé et les infirmières quelque chose de bien plus acceptable dans cette ère de prise de rendez-vous pour une visite de bureau et de prendre peut-être des heures de la journée, dans le voyage, l’attente et l’heure de rendez-vous.

Même avec une application mobile interactions, les Mayas moteur peut vous aider. À l’aide de Traitement de la Langue Naturelle, Maya peut encore une fois s’engager autour de la prochaine meilleure action…il peut également déterminer si l’assistant de santé est le recommander et, si le membre le poursuit. Encore une fois, c’est autant de bon sens que c’est l’IA et, avouons-le, l’univers de l’assurance santé peuvent vraiment bénéficier de deux.

Servir les intérêts concurrents
Il est intéressant de noter, bien que la Distinction a des clients qui sont des transporteurs participant à l’assurance-santé de l’échange (il n’y a que Obamacare chose de nouveau!), la plupart de ses clients sont des auto-assurance des employeurs. C’est intéressant de circonscription, parce qu’il a des intérêts acquis à la fois dans le rapport coût-efficacité ainsi que la santé des employés et la satisfaction des employés (comme ceux-ci conduisent à une hausse des taux de rétention des employés). L’auto-assurance des employeurs ne sont pas bien servis par les systèmes qui ne jouent que pour minimiser les coûts — une telle approche ne pourrait résulter en une hausse des coûts du recrutement et de la productivité des employés.

Accolade dit que sa plate-forme 70 “Net promoter Score” et dit que c’est dix fois supérieure à la moyenne de l’industrie. Hilton a expliqué un terme de l’industrie de l’art pour moi: la soi-disant “Triple Objectif”, ce qui implique de satisfaire les objectifs de plus heureux des consommateurs, santé des consommateurs, et à moindre coût des soins. Comme avec le théorème CAP dans la science des données, chaque facette de la Triple Objectif peut travailler dans l’opposition de l’autre, et la réalisation de tous les trois est insaisissable.

Mais Hilton dit Accolade est en train de faire très bien dans toutes les trois aspects. Il m’a aussi dit Accolade a une grande science des données de l’équipe. Cette corrélation peut-être un élément de causalité. Parfois, les données de la science tout simplement qu’il est plus simple de faire la bonne chose.