Teknologi baru dalam pengelolaan klaim dan produktivitas: otomatisasi dan kecerdasan buatan (AI)

Oleh Stephen Elliott, MBA, JD, CISSP, CSM, SVP, Inovasi Teknologi Informasi dan Optimasi Pengambilan Keputusan

Di pasar saat ini, banyak penyedia layanan dan teknologi mengklaim memanfaatkan kecerdasan buatan (AI) atau mengotomatisasi proses klaim manual.

Dapat dikatakan bahwa sejak komputer pertama kali diciptakan, inilah yang menjadi tujuan utama semua orang. Teknologi saat ini dalam banyak hal merupakan kelanjutan dari proses ini — dengan fokus pada langkah-langkah dalam proses klaim yang sebelumnya dianggap terlalu kompleks atau tidak transparan untuk diotomatisasi.

Selama 50 tahun terakhir, para profesional klaim telah diberikan fungsionalitas (dan batasan-batasan yang terkait) dari aplikasi yang menggunakan bahasa pemrograman tradisional. Saat ini, kita semua sudah sangat familiar dengan cara departemen teknologi tradisional bekerja untuk mengumpulkan persyaratan, mendokumentasikan, dan mendefinisikan "aturan" untuk pengambilan keputusan, serta menciptakan program yang beroperasi bersama pemeriksa klaim untuk meningkatkan proses klaim. Kini, dengan diperkenalkannya kecerdasan buatan (AI), terdapat beberapa komponen baru yang berperan dalam apa yang dapat diprogram:

Pencocokan pola

Kecerdasan buatan (AI) memperluas cakupan aktivitas manusia yang dapat diotomatisasi. Meskipun manusia mengikuti instruksi dan aturan yang tercatat dalam pengelolaan klaim, mereka juga dioptimalkan untuk menemukan solusi berdasarkan pola yang telah mereka temui sebelumnya. AI memperkenalkan pemodelan pola ke dalam program mesin — memungkinkan pengembangan perangkat lunak yang tidak lagi memerlukan pemecahan terperinci darisemuaaturan pengambilan keputusan secara sebelumnya. Sebaliknya, AI menawarkan kemampuan untuk memanfaatkan data historis untuk memetakan dan memahami aturan-aturan tersebut secara abstrak. Jika pemeriksa klaim berpengalaman melihat klaim X dan memutuskan tindakan Y di masa lalu, maka sistem AI dapat dilatih untuk melakukan hal yang sama.

Tidak terbatas pada metode yang digunakan manusia dalam pengambilan keputusan, kecerdasan buatan (AI) berbasis machine learning dapat bekerja lebih baik. Faktanya, AI dapat mengidentifikasi pola dalam data yangseharusnyadigunakan untuk pengambilan keputusan, bahkan jika para pemeriksa tidak menggunakan kriteria tersebut atau bahkan tidak menyadari bahwa mereka menggunakan kriteria tersebut. Kemajuan ini memungkinkan pengembangan mesin pengambilan keputusan cerdas untuk mengotomatisasi tugas-tugas dalam proses klaim secara optimal, yang sebelumnya dianggap terlalu rumit atau memerlukan keputusan subjektif.

Sistem penyaringan otomatis

Dirancang untuk menganalisis elemen data klaim awal, sistem auto-triage menggabungkan data tersebut dengan pola historis yang mungkin sulit untuk diidentifikasi secara manual, guna menempatkan klaim ke dalam kategori tertentu untuk diproses. Ada banyak cara yang dapat dipilih perusahaan untuk mencapai hal ini. Beberapa mungkin ingin melatih AI mereka untuk menempatkan klaim ke dalam kategori perkiraan biaya yang berbeda — memungkinkan mereka membedakan tingkat risiko berdasarkan biaya. Yang lain mungkin lebih memilih definisi yang lebih abstrak tentang "kompleksitas" yang dapat selaras dengan biaya, tetapi terkadang hanya membantu mengidentifikasi klaim yang mungkin memerlukan waktu lebih lama, kontak manusia lebih banyak, atau pengawasan yang lebih berpengalaman.

Sistem penilaian otomatis

Ketika proses auto-triage berakhir, proses auto-adjudication mengambil alih. Biasanya, jika suatu klaim telah diklasifikasikan sebagaisederhanadan dapat diproses tanpa intervensi manusia, langkah-langkah selanjutnya dalam proses klaim dapat diotomatisasi. Dengan menggabungkan kecerdasan buatan (AI) dengan metode tradisional, klaim dapat dipindahkan dari tahap penerimaan ke tahap kelayakan, dan akhirnya melalui tahap pembayaran dan penutupan. Klaim yang diproses secara otomatis ini tidak hanya lebih murah untuk dikelola, tetapi juga seringkali menghasilkan kepuasan yang lebih tinggi bagi pemohon klaim karena tidak tertunda menunggu tinjauan oleh penilai — sehingga memberikan penutupan yang cepat dan mudah bagi pemohon klaim.

Pemodelan prediktif

Biasanya dibahas sebagai teknologi mandiri, pemodelan prediktif sering kali menjadi komponen kunci dalam solusi kecerdasan buatan. Dengan menggabungkan pembelajaran mesin dan statistik kompleks, pemodelan prediktif menggunakanpoladata historis untuk memprediksi masa depan. Saat mengotomatisasi keputusan atau langkah dalam proses klaim, model prediktif dapat digunakan untuk memilih tindakan yang memberikan hasil prediktif optimal berdasarkan biaya, kepuasan pelanggan, atau risiko.

Meskipun model-model ini memanfaatkan teknologi modern, mereka juga dapat digunakan untuk mengoptimalkan tingkat intervensi manusia pada klaim-klaim kritis. Rekomendasi preskriptif yang ditargetkan untuk menambahkan sumber daya berpengalaman dapat diberikan ketika nuansa dalam suatu klaim mengarah pada beberapa skenario:

• Penipuan
• Litigasi
• Spesialisasi

Jika kemungkinan penipuan tinggi, klaim dapat ditingkatkan ke penyelidik atau diserahkan kepada penilai manusia untuk penelitian dan tindakan lebih lanjut. Model AI tidak hanya mampu mendeteksi penipuan pada klaim individu, tetapi juga menganalisis seluruh portofolio bisnis dan mengidentifikasi pola penipuan dalam kasus-kasus individu yang tampaknya tidak mencurigakan.

Jika kemungkinan terjadinya sengketa hukum tinggi, tindakan khusus dapat diambil terkait klaim tersebut. Tindakan ini dapat berupa tugas-tugas seperti menyimpan dan mengarsipkan video keamanan ritel, mewawancarai saksi dan pihak terkait lainnya saat ingatan mereka masih segar, atau memberikan perawatan dan komunikasi yang lebih baik kepada pemohon klaim untuk menghindari ketidakpuasan.

Jika keahlian khusus dapat bermanfaat bagi klaim, baik berdasarkan "pemicu" saat ini maupun prediksi pemicu di masa depan, AI dapat meningkatkan tingkat klaim untuk melibatkan berbagai tim. Tim-tim ini mungkin terdiri dari manajer kasus perawat, penyelidik subrogasi, atau mereka yang berspesialisasi dalam klaim kompleks atau unik lainnya.

Penambangan teks

Lingkup selanjutnya dalam kecerdasan buatan (AI) pembelajaran mesin terletak pada penambangan teks data tidak terstruktur. Meskipun pada akhirnya memberikan hasil yang serupa dengan pemodelan prediktif data terstruktur tradisional, penambangan teks pada dokumen, catatan, pernyataan saksi, dan elemen lain dari klaim memberikan sistem jumlah informasi yang jauh lebih besar. Meminta sistem klaim untuk menangkap semua komorbiditas atau kombinasi obat berbahaya adalah tidak realistis. Namun, memungkinkan AI untuk mempelajari risiko yang terkait dengan penyebutan mereka dalam catatan, dokumen medis, atau korespondensi adalah hal yang mungkin.

Tantangan dan risiko utama

Meskipun semua ini terdengar seperti surga bagi teknologi manajemen klaim, hal ini tetap disertai dengan tantangan dan risiko tersendiri. Banyak peristiwa yang kami minta AI untuk pelajari dianggap langka, sehingga seringkali sulit diprediksi — bahkan dengan data dan perangkat lunak pemodelan statistik terbaik. Peristiwa-peristiwa ini jarang terjadi sebagai persentase dari total portofolio bisnis. Hal ini tidak berarti mereka tidak dapat diatasi, tetapi para pengembang atau pembeli perangkat lunak otomatisasi/prediktif perlu memahami bahwa model-model ini masih dapat menghadapi tantangan akurasi. Waspadalah terhadap vendor yang mengklaim memiliki model dengan akurasi 95% dalam memprediksi peristiwa langka. Jika peristiwa tersebut terjadi pada 3% dari klaim, maka akurasi lebih dari 97% adalah standar minimum yang harus dipenuhi oleh model dasar apa pun.

Pada akhirnya, efektivitas model otomatisasi atau prediksi berbasis kecerdasan buatan (AI) akan bergantung pada kualitas data dan kualitas tindakan yang diambil oleh tim klaim — jika tindakan preskriptif direkomendasikan atau ditingkatkan kepada mereka. Seperti kebanyakan teknologi, hal ini seringkali bekerja paling baik ketika tidak sepenuhnya manual atau sepenuhnya otomatis, tetapi justru dikombinasikandalam proporsi yang tepatuntuk meminimalkan risiko sambil memaksimalkan kepuasan pelanggan.