健康保险中的人工智能: 自学习软件的智能理赔管理

文章

在健康保险公司,人工智能可以通过系统地识别和纠正错误,同时避免无效的干预来加强索赔管理。

人工智能 (AI) 是当前从社会和经济更广泛的数字化中出现的大趋势之一。到目前为止,这些 “智能” 人工智能技术主要吸引了电子商务、汽车和消费品行业的注意力。苹果手机上的自动语音 Siri 或亚马逊电子购物助理 Alexa 是塑造公众感知的两个例子。自动图像识别系统和自动驾驶汽车也在努力。

私营部门早就认识到新技术固有的潜力。自学软件和认知系统可以在整个价值链中找到,也可以在部署的边缘: 用于采购和库存管理的预测和定价工具,用于客户服务的聊天机器人, 最后一英里的无人机。人工智能应用程序可以帮助公司优化服务和降低成本,加快流程,并做出更好的决策。yabo2019体育下载

医疗保健领域也有类似的发展,尽管对人工智能在医疗保健和管理领域提供的可能性的探索还处于早期阶段。迄今为止,围绕提供商的人工智能使用案例取得了最大进展: 医疗中心越来越多地使用由算法或患者数据模式自动识别支持的早期检测系统。亚搏体育下载链接

不太为人所知的是智能技术的使用为健康保险公司带来的机会。已经发现了人工智能支持的系统的初始使用案例,该系统增强了关怀 -- 例如, 为患有慢性疾病的患者开发定制服务,或者为未能遵守指南的患者识别临床途径。

然而人工智能有更多的能力。认知系统可以帮助案例管理者有效地筛选案例,更精确地评估它们,并做出明智的决定。医院索赔管理是另一个受益的领域。对德国局势的观察表明了可能的收益程度。全国范围内的住院治疗费用达 730亿欧元,占典型健康保险公司总预算的 40% 至; 然而,平均而言, 收到的所有索赔中有 10% 到是不正确的。可靠地识别和纠正这些不正确的索赔将为所有利益相关者 -- 健康保险公司和供应商 -- 节省大量的时间、金钱和精力。亚搏体育下载链接

人工智能可以实现这个目标。基于不灵活的规则手册的传统索赔管理方法已经被从历史案例中学习并不断发展的智能算法所淘汰。这样的系统可以系统地识别和纠正错误,同时避免不必要或无效的干预。最初的估计表明,德国健康保险公司通过这种方式每年可以节省大约 5亿欧元。

在下面,我们研究如何抓住这个机会,以及成功建立人工智能支持的索赔管理的先决条件。在简要讨论了人工智能的技术基础之后,我们详细描述了可用于医院索赔管理的认知系统及其影响, 以及确保其有效运作所需的步骤。

热门术语 “人工智能” -- 及其背后的原因

像来自数字世界的行话的其他例子一样,人工智能是一个常见且经常被讨论的术语 -- 但是很少有人对它的实际含义有一个精确的概念。

事实上,人工智能包含广泛的方法和技术,使软件足够聪明,能够利用数据自主控制机器、产生预测或得出动作。为此,智能系统使用先进的算法来学习每一个额外的数据记录,并不断调整和增强他们的预测。

与机器学习技术相反 -- 机器学习技术同样可以跟踪发展、识别模式并对其进行分类 -- 人工智能能够将其所学应用到新的情况中。人工智能系统不仅仅是从经验中学习,它们还将自己与产生它们的环境保持距离,并独立地收集额外的知识,从而稳步进入新的认知领域。

在实践中,机器学习和人工智能之间的界限并不总是清晰的。今天运行的许多系统是包含多种技术的混合解决方案。

围绕医院索赔管理的用例依赖于一个认知系统: 一个模拟认知的软件架构,能够从复杂的问题中得出结论并做出明智的决策。

医院索赔管理中的认知系统-当前实践和潜力

现状: 人工理赔管理
凭借其成熟的医疗保健部门和广泛的法定和私人保险公司,德国为研究影响医疗保险公司的发展提供了良好的环境。一家拥有超过 150万名成员的中型德国保险公司每年收到超过 700,000 份来自医院的费用退款索赔。保险公司有责任核实索赔是否正确 -- 这是一项定期联系数百名员工的任务。我们在不同健康保险公司的经验表明: 几乎十分之一的索赔是不正确的,索赔金额可以由健康保险公司提出质疑。1

这个过程极其繁琐。作为一项规则,多达 70% 的索赔标记为 unusual-i.e,作为潜在的不正确-基于健康保险公司的具体规则手册。然后行政人员详细检查这些索赔。基于索赔信息和任何可用的患者病史数据,工作人员然后利用他们的经验来决定是否干预 (附件 1)。

在所有 “不寻常” 的索赔中,只有 10% 的异议成功。因此,只有 10% 的 “不寻常” 案件得到成功干预。这使得可靠地确定干预可能得到回报的索赔变得更加重要。这一目标尤其重要,因为不正确质疑的医院索赔数量正在增加 -- 这是住院病例数量增加以及保险公司人员能力越来越紧张的结果。索赔审计吸收了宝贵的人力、时间和资源,这些资源可以在其他地方得到更好的利用 -- 不仅在医疗保险公司,而且在供应商那里。亚搏体育下载链接

此外,不正确的索赔额不应支付,但却从审计程序的裂缝中溜走,这构成了等待解锁的额外财务潜力。目前,在理想情况下,健康保险公司可以将最初在索赔中提交的资金总额减少约 3%,这为保险公司和被保险社区带来了巨大的节约。然而,这种成功程度的前提是准确识别干预可能成功的所有索赔。

基于人工智能的索赔管理: 高命中率加上低努力
智能审计算法能够可靠地识别那些事实上不正确的索赔。人工智能方法旨在只识别那些成功干预可能性高的索赔,相反, 将不可反对的案件和那些不太可能成功干预的案件转移到完全自动化的背景处理上,以便行政人员能够有效地将他们的能力集中在需要审查的案件上。

展示 2 说明了该系统是如何工作的: 在第一步中,所有收到的索赔都被检查以确定它们是否正确,并且任何不寻常的索赔都被过滤掉。人工智能用于识别异常索赔之间的相关性,这有助于确定成功干预的可能性; 系统通过收到的每一项新索赔进行学习。

然后,被认为不寻常的索赔会根据预期的减少金额和成功干预的可能性自动排序。因此, 该系统使审计员不再需要做出许多对时间敏感的干预决策 -- 为那些干预肯定会产生结果或处理其他任务的情况释放能力。接下来,该系统还为审计员提供了如何处理干预的指导,例如通过提出驳回索赔的理由。结果是一个更简单、更快的索赔管理过程 -- 包括干预本身。

五个步骤发展认知系统

支持医院索赔管理的智能系统通常分五个步骤开发: 编译和预处理数据; 分析数据; 开发模型; 评估结果; 并试用该方法。

鉴于健康保险公司必须处理大量数据 (数量达到 “大数据” 的比例),第一步,编译和预处理合适的数据绝不是小事。这里的一个关键因素是认知系统稍后将利用的数据的勤奋清理和转换; 完整性和一致性是必不可少的。测试数据集应包括历史患者数据和过去成功降低支付金额的索赔数据。

然后使用各种统计模型来分析患者、诊断和索赔的数据。在这个阶段,已经有可能确定某些诊断和成功减排之间的相关性。

该分析为开发标记索赔异常的有效模型提供了基础。然后测试数据被用来训练认知系统。通过提供额外的保险数据和外部 information-e.g,供应商的区域分布-该模型逐渐增强,直到最终开始独立学习新数据和案例模式。亚搏体育下载链接

为了进行后续评估和选择最终将被使用的系统,几个认知系统被编程,然后根据具体指标进行基准测试。最后,选择能够最可靠地预测索赔成功减少可能性的系统。

最后一个试点阶段用于审计在现实条件下收到的新索赔,并进一步完善算法。

建立基于人工智能的索赔管理系统的先决条件
建立人工智能系统显然是一项复杂的任务。上述步骤假设保险公司已经达到了发展的阶段,这将使它能够应对如此重大的努力。因此,考虑在索赔管理中使用人工智能系统的保险公司应该确保他们拥有成功的坚实基础的所有要素:

数字化原始索赔。收到的发票应该以数字化的形式从医院发出,这样 AI 系统就可以无缝地提取所需的数据,而无需保险公司采取额外的步骤。

已建立的索赔管理流程。应该有结构化的程序来审查索赔和决定是否干预。

结果的结构化数字化文档。跟踪索赔管理活动的结果对于为人工智能系统提供初始数据基础至关重要。在哪些情况下进行了干预,采取了什么形式,是否成功?数字记录应该至少存在两年,最好是更多。

尚未满足这些要求的保险公司还没有准备好向人工智能辅助索赔管理飞跃,但他们可以开始为以后的成功奠定基础。通过牢记智能索赔管理的目标,他们可以设计所需的系统和流程,为时机成熟时引入人工智能提供最佳基础。

成功的决定因素: 正确实施
一个合适的认知系统的开发和测试是通往 AI 支持的理赔管理的道路上的重要一步,但不是唯一一步。必须具备适当的条件,以确保系统在日常操作中也可靠地工作,并按计划减少工作量。决定实施是否成功的因素涵盖了保险业务的所有层面 -- 从技术基础到工作环境和团队选择,再到组织中的文化转型和变革。

有效数据库。医院理赔管理认知系统的好处取决于数据库的大小和质量。这些数据适用性的测量决定了一个算法的训练程度、预测的可靠性以及学习的速度。一个可行的数据库通常包含几千个数据记录,其中包含精确、一致的单个病例计费条目 (患者信息、诊断、索赔数据) 以及相关的审计结果。

双速 IT。很少有可能使新技术适应传统的 it 环境。开发和实施认知系统需要一种新的架构,这种架构与随着时间增长的结构是分开的。为什么?应用程序使用模块化概念开发,并通过持续测试稳步改进。最好使用独立的服务器来完成,该服务器与组织的 it系统的其余部分分离。

因此,建议使用双速 IT 架构。现有基础及其已建立的操作系统以低速运行,而认知系统 “快艇” 仅通过选定的接口从遗留系统访问功能和数据。

开发沙箱。沙箱与双速人工智能体系结构的快速一半有着相似的目的: 它创造了一个环境,在这个环境中,开发团队可以独立于传统结构来测试和增强他们的系统。各种学科的专家 (人工智能开发人员、数据分析师、商业用户) 在一个受保护的空间里一起工作,这个空间在技术上和组织上与其他操作分离。这种方法对于生产一种创新产品是必不可少的,这种创新产品可以提高医院索赔管理的质量,而不仅仅是一次性的改进。

敏捷文化。只有那些开发和使用敏捷文化的人才有可能建立一个敏捷的自学系统。快速学习团队不断检查开发的解决方案的增值,响应用户的体验,并迭代地修改他们的软件。先进的人工智能开发人员在持续不超过两周的短冲刺中进行优化修改 -- 因为快速进步是这里的本质。

医生参与试点。不迟于试点阶段,一个医学专家小组应该参与进来,对新系统的功能进行彻底检查: 算法推荐审计是针对哪种说法?选择标准可以吗?自动化案例选择是否融入了整个审计过程?行政人员和审计员是否需要建立额外的技能?理想情况下,医疗专家团队在试点阶段检查日常进展,讨论标记为异常的索赔,并通过有针对性的案例培训来支持审计过程。

组织重组。将人工智能整合到一个已建立的组织中不仅仅是简单地引入一个新的技术工具。使用认知系统会影响工作流程和程序、角色和责任以及判断和决策。为了充分利用人工智能部署,组织应该尽早重新调整到新系统。管理调整并让所有利益相关者参与该过程的精心策划的变革计划为创建所需结构提供了合适的框架。不仅如此,它还有助于赢得员工的支持,这对成功至关重要。

健康保险公司的利益 -- 更高的效率,有效的决策

考虑到节省的潜力,在医院理赔管理过程中嵌入人工智能同时提供了多种好处,不仅对保险公司有利,对病人也有利。简而言之,从基于严格的规则手册的索赔管理转向智能算法会带来更高的效率和有效的决策 -- 从而减轻所有利益相关者的负担并节省开支。

由于自动优先排序,行政人员不再需要检查每一个被认为不寻常的索赔,而是可以专注于那些具有最大减少潜力和成功干预的最佳前景的案件。基于历史测试数据的优先程序的基准分析显示了认知系统可以预测这种潜力的程度。结果表明,该算法的命中率接近理想值 -- 也就是说,系统正确地过滤掉了几乎所有索赔额可以减少的索赔 (表 4)。

认知系统不仅简化和加速了整个索赔管理程序,还提高了其质量: 冗余审计和拒绝流程的额外成本被消除了, 而可用资源可以集中在 “正确” 的情况下,即那些真正与审计相关的情况。因此,该系统释放了行政人员和审计员的能力,以便他们能够正确地确定减少的潜力,并适当地准备干预案例,从而进一步提高他们的成功前景。

此外,人工智能可能带来的效率提高带来了可衡量的经济影响: 充其量是,目前从成功的索赔削减中获得的节约在最初开具发票金额的 3% 范围内。仅增加一个百分点就能为德国健康保险公司提供额外的储蓄,每个大约 5亿欧元。

*

到目前为止,德国只有少数健康保险公司涉足人工智能的新领域。这种缓慢采用的原因各不相同: 实际使用案例的不确定性、组织内技术专业知识的差距,或者关于可用数据缺乏透明度。然而,任何健康保险公司都可以从人工智能的使用中受益 -- 只要它建立了必要的条件。因此,现在开始投资合适的 it 架构并创建充分利用新技术提供的机会所需的敏捷框架是值得的。

这种机会超出了这里讨论的医院索赔管理领域。人工智能用例的潜在范围是广泛而多样的。例如,基于人工智能的预测系统可用于高危患者的早期检测,或用于预测由医师、治疗师、门诊中心、药剂师提供的其他医疗保健服务的趋势, 或者长期护理设施。

有一点是肯定的: 人工智能技术将在未来的医疗管理中发挥更突出的作用。因此,健康保险公司应该借此机会将自己定位在浪潮的顶峰 -- 从而使他们的组织处于一个好的位置,以应对医疗保健领域日益增长的挑战。

  1. 在德国,法定健康保险公司不能拒绝索赔,但他们可以质疑索赔的规模。