0
Hälso-och sjukvård och Artificiell Intelligens (AI) är alla väldigt mycket på tapeten just nu. Usa: Senaten har släppt förslag till lagstiftning för upphävande Prisvärd Hand Lagen (aka “Obamacare”), lämnar en del Amerikaner med bävan om deras täckning. Under tiden, de fraser som “machine learning” (ML) och “artificiell intelligens” kan inspirera oro för sin egen.
Tänk om det fanns ett sätt att kombinera hälso-och sjukvård med maskininlärning för att prova och göra en leverans av tjänster som inte bara mer effektiv (som många oroar sig kan vara kod för “mindre generösa”) men mer proaktiv? Kan detta minska kostnaderna och förbättra vård? Kan det hjälpa betalare optimera kund-och sjukvård utöver den trubbiga mått på att hålla kundservice samtalslängder låg?
Friska tech?
Ett företag som tänker så. Utmärkelsen, och dess Maya Intelligence Engine, som det meddelade förra veckan, använda ML och AI mot dessa slutar. Samtidigt som företaget har kanske tvetydiga ambition är att leverera den “mest personliga hälso-och sjukvård erfarenhet”, det verkar också vara tillämpar både data-vetenskap och sunt förnuft för att hjälpa försäkringsbolagen att göra ett bättre jobb med att hjälpa sina kunder.
Maya Intelligence Engine flöde beskrivning
Kredit: Accolade
När jag talade med Mike Hilton, Accolade ‘ s Chief Product Officer denna vecka, han förklarade för mig att den traditionella modellen i hälso-och sjukvården är att rikta den sjukaste 5% av sin kund befolkningen, bedriva någon uppsökande verksamhet till dem och kanske göra några prediktiv analys på vad deras nästa åtgärd bör vara. Hilton säger kunderna som inte tenderar att gilla denna strategi och deltagande för denna uppsökande arbete på den del av kunderna är mycket låg.
Utöver de 5%
Accolade ‘ s strategi är att kasta en mycket bredare nät, riktade sig inte bara till 5% av kunden befolkningen i de mest akuta stater av sjukdom, men att innehålla massor av friska kunder. Inriktning yngre medlemmar, som kan vara ganska frisk, har meriter också-eftersom de kan vara mycket samma medlemmar som, till exempel, borst vid anmälan av fordringar, eller naivt användning-av-nätoperatörer och är tveksam till att ringa och be om ett klargörande om en hög räkning de kan få.
Detta i sin tur kan göra dem tyst missnöjda med sin täckning, sjuk-på-enkelt med hjälp av den, eller lax om schemaläggning gratis på nätet physicals och liknande. En sådan distansering från sina förmåner kan leda till sämre hälsa senare, liksom mindre än seg hantering av deras villkor.
ML är proaktiva
Machine learning kan hjälpa till här. Det är tydligt i försäkringstagarnas intresse att ha sina friskare medlemmar är nöjda med sin täckning och dra nytta av deras förebyggande fördelar. Intelligens i Utmärkelsen plattform kan utlösa uppsökande verksamhet som förklarar de parametrar som tillhandahåller nätet, eller har en (mänsklig) hälso-och biträdande göra på samma sätt, via telefon. Detta kan bidra till att skapa förtroende och en relation som leder medlemmar att bli mer bekväm med att ta fördel av deras täckning och proaktiv i sin egen vård.
Utöver den “friska tusenåriga” – scenario, tänk dig en medelålders kvinna som är pre-diabetiker. Tidiga engagemang kommer att få betydelse för både försäkringsgivaren och medlem. En aktiv hantering av villkor kommer det tydligt att lägre kostnader för den tidigare. Men det är också ansvarig vård samordning. Utan machine learning, säger betalare de bör engagera sig i en sådan uppsökande verksamhet kan vara talför på bästa sätt, men med ML, försäkringsbolag kan genomföra det, som en fråga om förfarandet, med en hög grad av förtroende, statistiskt sett, att det är i deras intresse att göra så.
Omsorg för iPhone generation
Hela denna kalkyl för att analysera engagemang data, medicinsk historia, villkor och “livet” och sedan engagerande, har en viss jargong som går längs med den: att fastställa den “näst bästa handling.” Det är en stor del av vad Utmärkelsen gör, men tekniken är inte på något sätt den på back-end. Utmärkelsen har en mobil app som medlemmar kan använda för att kommunicera med både hälso-och assistenter och sjuksköterskor — något långt mer tilltalande i denna tid än att boka en tid för ett besök och kanske ta timmar av dagen i resor, väntar och tid.
En skärmdump form Utmärkelsen Mobil app
Kredit: Accolade
Även med mobila app interaktioner, Maya motor kan hjälpa. Med hjälp av Naturligt Språk, Maya kan återigen engagera sig i nästa bästa action…det kan också avgöra om hälsa assistent är att rekommendera det och, om den medlemsstat som utövar det. Återigen, detta är så mycket sunt förnuft som det är AI och, let ‘ s face it, sjukförsäkring världen verkligen kan dra nytta av båda.
Serverar konkurrerande intressen
Intressant, även om Utmärkelsen har kunder som är bärare deltagande i sjukförsäkringen utbyte (det är som Obamacare sak igen!), de flesta av kunderna är själv försäkra arbetsgivare. Det är en intressant valkrets, eftersom det har intressen både i kostnadseffektivitet samt medarbetarnas hälsa och de anställdas tillfredsställelse (som dessa leder till högre behålla anställda). Själv försäkra arbetsgivare är inte bra av system som spelar bara för att minimera kostnaderna — en sådan strategi skulle bara resultera i högre kostnader för att rekrytera och de anställdas produktivitet.
Utmärkelsen säger att deras plattform har en 70 Net Promoter Score och säger att det är tio gånger genomsnittet i branschen. Hilton förklarade en industri sikt av konst till mig: den så kallade “Triple Aim”, vilket innebär att det uppfyller de mål lyckligare konsumenter, friskare konsumenter, och lägre kostnader för vård. Som med den gemensamma JORDBRUKSPOLITIKEN sats i data-vetenskap, varje aspekt av tre Mål kan arbeta i opposition av andra, och för att uppnå alla tre är svårfångade.
Men Hilton säger Utmärkelsen gör mycket bra i alla tre aspekterna. Han berättade också Utmärkelsen har en stor data science team. Denna korrelation kan ha ett element av orsakssamband. Ibland, data vetenskap bara gör det enklare att göra rätt sak.
0