6. januar 2022
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 skadebehandlingsprocesser.
Man kan hævde, at det 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 erstatningsprocessen, som tidligere blev anset for at være for komplekse eller uigennemsigtige til at blive automatiseret.
I de sidste 50 år har skadesbehandlere fået stillet funktionalitet (og tilhørende begrænsninger) til rådighed i programmer, der bruger traditionelle programmeringssprog. På nuværende tidspunkt er vi alle fortrolige med, hvordan traditionelle teknologiafdelinger arbejder med at indsamle krav, dokumentere og definere "regler" for beslutninger og skabe programmer, der sameksisterer med skadesbehandlere for at forbedre skadesbehandlingen. Med introduktionen af AI er der nu flere nye komponenter, der spiller en rolle for, hvad der kan programmeres:
Mønstermatchning
Kunstig intelligens åbner for omfanget af menneskelige aktiviteter, der kan automatiseres. Mens mennesker følger dokumenterede instruktioner og regler i skadesbehandling, er de også optimeret til at finde løsninger baseret på mønstre, de tidligere er stødt på. AI introducerer mønstermatchning til maskinprogrammer - hvilket gør det muligt at skabe software, der ikke længere kræver en diskret opdeling af alle beslutningsregler 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 krav X og besluttet handling Y, så kan AI-systemer trænes til at gøre det samme.
For ikke at blive begrænset af de metoder, som mennesker bruger til at træffe beslutninger, kan maskinlærings-AI være endnu bedre. Faktisk kan AI identificere mønstre i data, som bør bruges til beslutninger, selv om sagsbehandlerne enten ikke brugte disse kriterier eller ikke engang var klar over, at de brugte disse kriterier. Dette fremskridt gør det muligt at skabe intelligente beslutningsmotorer til optimal automatisering af opgaver i kravprocessen, som tidligere blev anset for at være for komplicerede, eller som kræver en subjektiv beslutning.
Autotriage-systemer
Autotriageringssystemer er designet til at se på tidlige dataelementer, og de kombinerer data med historiske mønstre, som ellers kan være svære at se, for nøjagtigt at placere et krav i en bestemt "spand" til behandling. Der er mange måder, virksomheder kan vælge at gøre dette på. Nogle ønsker måske at træne deres AI til at placere krav i forskellige omkostningsestimater - så de kan skelne mellem risikoniveauer ud fra omkostninger. Andre foretrækker måske en mere abstrakt definition af "kompleksitet", der kan stemme overens med omkostningerne, men som nogle gange blot hjælper med at identificere krav, der måske kræver mere tid, mere menneskelig kontakt eller et højere niveau af erfarent tilsyn.
Systemer til automatisk domfældelse
Når auto-triage slutter, tager auto-adjudication over. Hvis et krav er blevet vurderet som enkelt og kan behandles uden menneskelig indgriben, kan de resterende trin i kravprocessen normalt automatiseres. Ved hjælp af kunstig intelligens kombineret med mere traditionelle metoder kan kravet flyttes fra modtagelse til berettigelse og til sidst gennem betaling og afslutning. Disse automatisk afgjorte krav er ikke kun billigere at administrere, men resulterer ofte i større tilfredshed hos skadelidte, da de ikke forsinkes, mens de venter på at blive gennemgået af sagsbehandlere - hvilket giver skadelidte en hurtig og nem afslutning.
Forudsigende modellering
Prædiktiv modellering diskuteres normalt som en selvstændig teknologi, men er ofte en vigtig komponent i løsninger med kunstig intelligens. Den kombinerer maskinlæring og kompleks statistik og bruger historiske datamønstre til at forudsige fremtiden. Når man automatiserer beslutninger eller trin i skadesprocessen, kan forudsigelige modeller bruges til at vælge de handlinger, der giver de optimale forudsigelige resultater baseret på omkostninger, kundetilfredshed eller risiko.
Selv om disse modeller udnytter moderne teknologi, kan de også bruges til at optimere mængden af menneskelig indgriben i forbindelse med kritiske skader. Målrettede, præskriptive anbefalinger om at tilføje erfarne ressourcer kan laves, når nuancer i et krav peger på flere scenarier:
- Bedrageri
- Retssager
- Specialisering
Hvis der er stor sandsynlighed for svindel, kan kravet eskaleres til efterforskere eller gives til menneskelige sagsbehandlere til yderligere undersøgelse og handling. AI-modeller har evnen til ikke kun at lede efter bedrageri på individuelle krav, men til at se på hele forretningsbogen og se mønstre af bedrageri i ellers uskyldigt udseende individuelle sager.
Hvis der er stor sandsynlighed for en retssag, kan der træffes særlige foranstaltninger i forbindelse med kravet. Det kan være opgaver som at gemme og arkivere sikkerhedsvideoer, interviewe vidner og andre deltagere, mens deres hukommelse stadig er frisk, eller på anden måde sørge for bedre pleje og kommunikation med en skadelidt for at undgå utilfredshed.
Hvor særlig ekspertise kan gavne kravet, enten baseret på aktuelle "udløsere" eller forudsigelse af fremtidige udløsere, kan AI eskalere kravet til involvering af forskellige teams. Disse teams kan bestå af sygeplejerskesagsbehandlere, subrogationsefterforskere eller dem, der er specialiseret i andre komplekse eller unikke krav.
Tekstudvinding
Det næste område inden for maskinlærings-AI er tekstmining af ustrukturerede data. Selvom det i sidste ende giver lignende resultater som traditionel forudsigelig modellering af strukturerede data, giver tekstudvinding af dokumenter, noter, vidneudsagn og andre elementer i kravet systemet en betydeligt større mængde information. Det er urimeligt at få erstatningssystemer til at opfange alle komorbiditeter eller farlige lægemiddelkombinationer. Men at få AI til at lære de risici, der er forbundet med at se dem nævnt i notater, medicinske dokumenter eller korrespondance, er muligt.
Vigtige udfordringer og risici
Selv om alt dette lyder som en utopi for skadebehandlingsteknologi, kommer det stadig med sit eget sæt af udfordringer og risici. Mange af de begivenheder, vi beder AI om at lære om, betragtes som sjældne, hvilket gør dem vanskelige at forudsige - selv med de bedste data og statistisk modelleringssoftware. De forekommer næsten aldrig som en procentdel af den samlede forretningsbog. Det betyder ikke, at de er umulige at arbejde med, men det påhviler udviklere eller købere af automatiserings-/forudsigelsessoftware at forstå, hvordan de stadig kan have udfordringer med nøjagtigheden. Pas på de leverandører, der hævder at have modeller, der har 95 % nøjagtighed i forudsigelsen af sjældne hændelser. Hvis disse hændelser indtræffer i 3 % af tilfældene, er en nøjagtighed på over 97 % det absolutte minimum, som enhver basismodel bør præstere.
I sidste ende vil effektiviteten af enhver AI-baseret automatisering eller forudsigelsesmodel afhænge af både datakvaliteten og kvaliteten af de handlinger, der foretages af et skadeteam - hvis præskriptive handlinger anbefales eller eskaleres til dem. Som de fleste teknologier fungerer den ofte bedst, når den ikke er fuldt manuel eller fuldt automatiseret, men i stedet kombineres i de helt rigtige mængder for at minimere risikoen og samtidig maksimere kundetilfredsheden.
