Ny teknologi inden for skadesbehandling og produktivitetsstyring: automatisering og AI

Af Stephen Elliott, MBA, JD, CISSP, CSM, SVP, IT-innovation og beslutningsoptimering

På dagens marked er der utallige leverandører og teknologier, der hævder at udnytte kunstig intelligens (AI) eller automatisere manuelle skadesbehandlingsprocesser.

Man kunne argumentere for, at dette er det, alle har arbejdet hen imod siden den allerførste computer. Den nuværende teknologi er på mange måder en fortsat modning af denne proces – med fokus på de trin i skadesbehandlingsprocessen, som tidligere blev anset for at være for komplekse eller uigennemsigtige til at kunne automatiseres.

I de sidste 50 år har skadesbehandlere haft adgang til funktionaliteten (og de dermed forbundne begrænsninger) i applikationer, der bruger traditionelle programmeringssprog. I dag er vi alle fortrolige med, hvordan traditionelle it-afdelinger arbejder med at indsamle krav, dokumentere og definere "regler" for beslutninger og skabe programmer, der fungerer sammen med skadesbehandlere for at forbedre skadesbehandlingen. Med introduktionen af AI er der nu flere nye komponenter, der spiller en rolle i, hvad der kan programmeres:

Mønstermatchning

Kunstig intelligens udvider omfanget af menneskelige aktiviteter, der kan automatiseres. Mens mennesker følger dokumenterede instruktioner og regler i skadebehandling, er de også optimeret til at finde løsninger baseret på mønstre, de tidligere har stødt på. AI introducerer mønstermatchning til maskinprogrammer, hvilket gør det muligt at skabe software, der ikke længere kræver en diskret opdeling afallebeslutningsregler på forhånd. I stedet giver AI mulighed for at udnytte historiske data til at kortlægge og opfatte disse regler på en abstrakt måde. Hvis erfarne skadesbehandlere tidligere har set på skadesanmeldelse X og besluttet handling Y, kan AI-systemer trænes til at gøre det samme.

Maskinlæring-AI er ikke begrænset af de metoder, som mennesker bruger til at træffe beslutninger, og kan derfor være endnu bedre. Faktisk kan AI identificere mønstre i data, derbørbruges til beslutninger, selvom undersøgerne enten ikke brugte disse kriterier eller ikke engang var klar over, at de brugte disse kriterier. Denne udvikling gør det muligt at skabe intelligente beslutningsmotorer, der optimalt kan automatisere opgaver i skadesbehandlingsprocessen, som tidligere blev anset for at være for komplicerede eller krævede en subjektiv beslutning.

Autotriage-systemer

Automatiske triagesystemer er designet til at se på tidlige skadesdataelementer og kombinerer dataene med historiske mønstre, som ellers kan være svære at se, for nøjagtigt at placere en skade i en bestemt "kategori" til behandling. Der er mange måder, hvorpå virksomheder kan vælge at gøre dette. Nogle ønsker måske at træne deres AI til at placere skadesanmeldelser i forskellige kategorier for omkostningsestimering, så de kan skelne mellem risikoniveauer efter omkostninger. Andre foretrækker måske en mere abstrakt definition af "kompleksitet", der kan tilpasses omkostningerne, men som nogle gange blot hjælper med at identificere skadesanmeldelser, der kan kræve mere tid, mere menneskelig kontakt eller et højere niveau af erfaren tilsyn.

Systemer til automatisk domfældelse

Når den automatiske sortering er afsluttet, overtager den automatiske afgørelse. Normalt kan de resterende trin i skadesbehandlingsprocessen automatiseres, hvis en skade er blevet sorteret somenkelog kan behandles uden menneskelig indgriben. Ved hjælp af AI kombineret med mere traditionelle metoder kan skadesanmeldelsen flyttes fra modtagelse til berettigelse og til sidst gennem betaling og afslutning. Disse automatisk vurderede skadesanmeldelser er ikke kun billigere at administrere, men resulterer ofte i større tilfredshed hos skadesanmelderen, da de ikke forsinkes i afventning af gennemgang af skadesbehandlere – hvilket giver skadesanmelderen en hurtig og nem afslutning.

Forudsigende modellering

Prediktiv modellering, der normalt diskuteres som en selvstændig teknologi, udgør ofte en vigtig komponent i kunstig intelligens-løsninger. Ved at kombinere maskinlæring og kompleks statistik bruger den historiskedatamønstretil at forudsige fremtiden. Når man automatiserer beslutninger eller trin i skadesbehandlingsprocessen, kan prediktive modeller bruges til at vælge de handlinger, der giver de optimale prediktive resultater baseret på omkostninger, kundetilfredshed eller risiko.

Selvom disse modeller udnytter moderne teknologi, kan de også bruges til at optimere omfanget af menneskelig indgriben i kritiske skadesanmeldelser. Der kan gives målrettede, præskriptive anbefalinger om at tilføje erfarne ressourcer, når nuancer i en skadesanmeldelse peger på flere scenarier:

• Bedrageri
• Retssager
• Specialisering

Hvor sandsynligheden for svindel er høj, kan kravet eskaleres til efterforskere eller videregives til menneskelige skadesbehandlere til yderligere undersøgelse og handling. AI-modeller har ikke kun evnen til at søge efter svindel i individuelle krav, men også til at se på hele forretningsbogen og se mønstre af svindel i ellers harmløst udseende individuelle sager.

Hvor sandsynligheden for retssager er høj, kan der træffes særlige foranstaltninger i forbindelse med kravet. Det kan være opgaver som at gemme og arkivere overvågningsvideoer, interviewe vidner og andre deltagere, mens deres minder stadig er friske, eller på anden måde yde forbedret pleje og kommunikation med en kravstiller for at undgå utilfredshed.

Hvor særlig ekspertise kan være til gavn for skadesanmeldelsen, enten baseret på aktuelle "udløsende faktorer" eller forudsigelser om fremtidige udløsende faktorer, kan AI eskalere skadesanmeldelsen til involvering af forskellige teams. Disse teams kan bestå af sygeplejersker, der er sagsbehandlere, subrogationsundersøgere eller personer, der er specialiserede i andre komplekse eller unikke skadesanmeldelser.

Tekstudvinding

Det næste område inden for maskinlæring AI ligger i tekstmining af ustrukturerede data. Selvom det i sidste ende giver lignende resultater som traditionel prædiktiv modellering af strukturerede data, giver tekstmining af dokumenter, noter, vidneudsagn og andre elementer i kravet systemet en betydeligt større mængde information. Det er urimeligt at forvente, at kravsystemer skal registrere alle komorbiditeter eller farlige lægemiddelkombinationer. Det er dog muligt at få AI til at lære de risici, der er forbundet med at se dem nævnt i noter, medicinske dokumenter eller korrespondance.

Vigtigste udfordringer og risici

Selvom alt dette lyder som en utopi for skadebehandlingsteknologi, er der stadig en række udfordringer og risici forbundet med det. Mange af de begivenheder, vi beder AI om at lære om, betragtes som sjældne, hvilket gør dem ofte svære at forudsige – selv med den bedste data- og statistiske modelleringssoftware. De forekommer næsten aldrig som en procentdel af den samlede forretning. Det betyder ikke, at de er umulige at arbejde med, men det påhviler udviklere eller købere af automatiserings-/forudsigelsessoftware at forstå, hvordan disse stadig kan have udfordringer med nøjagtigheden. Vær på vagt over for leverandører, der hævder at have modeller, der har 95 % nøjagtighed i forudsigelsen af sjældne begivenheder. Hvis disse begivenheder forekommer i 3 % af skadesanmeldelserne, er en nøjagtighed på over 97 % det absolutte minimum, som enhver grundlæggende model bør kunne levere.

I sidste ende vil effektiviteten af enhver AI-baseret automatisering eller forudsigelsesmodel afhænge af både kvaliteten af dataene og kvaliteten af de handlinger, der udføres af et skadeteam – hvis der anbefales eller eskaleres til dem. Som de fleste teknologier fungerer det ofte bedst, når det ikke er fuldt manuelt eller fuldt automatiseret, men i stedet kombineresi lige de rette mængderfor at minimere risikoen og samtidig maksimere kundetilfredsheden.