6 Januari 2022
Oleh Stephen Elliott, MBA, JD, CISSP, CSM, SVP, inovasi TI dan pengoptimalan keputusan
Di pasar saat ini, banyak sekali vendor dan teknologi yang mengklaim dapat memanfaatkan kecerdasan buatan (AI) atau mengotomatiskan proses klaim manual.
Bisa dikatakan bahwa sejak komputer pertama kali digunakan, inilah yang telah diupayakan oleh semua orang. Teknologi yang ada saat ini dalam banyak hal merupakan pematangan yang berkelanjutan dari proses ini - dengan fokus pada langkah-langkah dalam proses klaim yang sebelumnya dianggap terlalu rumit atau tidak jelas untuk diotomatisasi.
Selama 50 tahun terakhir, para profesional klaim telah diberikan fungsionalitas (dan keterbatasan terkait) aplikasi yang menggunakan bahasa pemrograman tradisional. Sekarang, kita semua sudah sangat paham bagaimana departemen teknologi tradisional bekerja untuk mengumpulkan persyaratan, mendokumentasikan dan mendefinisikan "aturan" untuk keputusan, dan membuat program yang hidup berdampingan dengan pemeriksa klaim untuk meningkatkan pemrosesan klaim. Sekarang, dengan diperkenalkannya AI, ada beberapa komponen baru yang berperan dalam apa yang dapat diprogram:
Pencocokan pola
Kecerdasan buatan membuka cakupan aktivitas manusia yang dapat diotomatisasi. Sementara manusia mengikuti instruksi dan aturan yang terdokumentasi dalam manajemen klaim, mereka juga dioptimalkan untuk menemukan solusi berdasarkan pola yang mereka temui sebelumnya. AI memperkenalkan pencocokan pola pada program mesin - memungkinkan pembuatan perangkat lunak yang tidak lagi memerlukan perincian semua aturan pengambilan keputusan sebelumnya. Sebaliknya, AI menawarkan kemampuan untuk memanfaatkan data historis untuk memetakan dan memahami aturan-aturan tersebut secara abstrak. Jika pemeriksa klaim yang berpengalaman melihat klaim X dan memutuskan tindakan Y di masa lalu, maka sistem AI dapat dilatih untuk melakukan hal yang sama.
Tidak dibatasi oleh metode yang digunakan oleh manusia untuk mengambil keputusan, machine learning AI dapat menjadi lebih baik. Faktanya, AI dapat mengidentifikasi pola dalam data yang harus digunakan untuk mengambil keputusan meskipun para pemeriksa tidak menggunakan kriteria tersebut atau bahkan tidak menyadari bahwa mereka menggunakan kriteria tersebut. Kemajuan ini memungkinkan terciptanya mesin keputusan cerdas untuk mengotomatiskan tugas-tugas dalam proses klaim yang sebelumnya dianggap terlalu rumit atau membutuhkan keputusan subjektif.
Sistem perjalanan otomatis
Dirancang untuk melihat elemen data klaim awal, sistem perjalanan otomatis menggabungkan data dengan pola historis yang mungkin sulit dilihat untuk menempatkan klaim secara akurat ke dalam "ember" tertentu untuk diproses. Ada banyak cara yang dapat dipilih perusahaan untuk mencapai hal ini. Beberapa perusahaan mungkin ingin melatih AI mereka untuk menempatkan klaim ke dalam ember estimasi biaya yang berbeda - memungkinkan mereka untuk membedakan tingkat risiko berdasarkan biaya. Perusahaan lain mungkin lebih memilih definisi yang lebih abstrak tentang "kompleksitas" yang dapat diselaraskan dengan biaya, tetapi terkadang hanya membantu mengidentifikasi klaim yang mungkin memerlukan lebih banyak waktu, lebih banyak kontak manusia atau tingkat pengawasan yang lebih tinggi dan berpengalaman.
Sistem ajudikasi otomatis
Ketika triase otomatis berakhir, ajudikasi otomatis akan mengambil alih. Biasanya jika klaim telah ditriase secara sederhana dan dapat diproses tanpa campur tangan manusia, langkah selanjutnya dari proses klaim dapat diotomatisasi. Dengan menggunakan AI yang dikombinasikan dengan metode yang lebih tradisional, klaim dapat dipindahkan dari proses penerimaan menjadi kelayakan dan akhirnya, melalui pembayaran dan penutupan. Klaim yang dinilai secara otomatis ini tidak hanya lebih murah untuk dikelola, tetapi juga sering kali menghasilkan kepuasan yang lebih besar bagi para penuntut karena tidak tertunda menunggu peninjauan dari penilai - sehingga memberikan penyelesaian kepada penuntut dengan cepat dan mudah.
Pemodelan prediktif
Biasanya dibahas sebagai teknologi yang berdiri sendiri, pemodelan prediktif sering kali merupakan komponen kunci dari solusi kecerdasan buatan. Menggabungkan pembelajaran mesin dan statistik yang kompleks, model ini menggunakan pola data historis untuk memprediksi masa depan. Ketika mengotomatiskan keputusan atau langkah dalam proses klaim, model prediktif dapat digunakan untuk memilih tindakan yang memberikan hasil prediksi yang optimal berdasarkan biaya, kepuasan pelanggan, atau risiko.
Selain memanfaatkan teknologi modern, model-model ini juga dapat digunakan untuk mengoptimalkan jumlah intervensi manusia pada klaim-klaim kritis. Rekomendasi preskriptif yang ditargetkan untuk menambahkan sumber daya yang berpengalaman dapat dibuat ketika nuansa dalam klaim mengarah ke beberapa skenario:
- Penipuan
- Litigasi
- Spesialisasi
Jika kemungkinan penipuan tinggi, klaim dapat diteruskan ke penyelidik atau diberikan kepada penilai manusia untuk diteliti dan ditindaklanjuti. Model AI memiliki kemampuan untuk tidak hanya mencari kecurangan pada klaim individu, tetapi juga melihat seluruh buku bisnis dan melihat pola kecurangan dalam kasus-kasus individu yang terlihat tidak berbahaya.
Jika kemungkinan litigasi tinggi, tindakan khusus terhadap klaim dapat dilakukan. Hal ini dapat berupa tugas-tugas seperti menyimpan dan mengarsipkan video keamanan ritel, mewawancarai saksi dan peserta lain saat ingatan mereka masih segar atau memberikan perhatian dan komunikasi yang lebih baik dengan penggugat untuk menghindari ketidakpuasan.
Ketika keahlian khusus dapat bermanfaat bagi klaim, baik berdasarkan "pemicu" saat ini atau prediksi pemicu di masa depan, AI dapat meningkatkan klaim untuk keterlibatan berbagai tim. Tim-tim ini dapat terdiri dari manajer kasus perawat, penyelidik subrogasi, atau mereka yang berspesialisasi dalam klaim yang kompleks atau unik lainnya.
Penambangan teks
Ranah berikutnya dalam AI pembelajaran mesin terletak pada penambangan teks dari data yang tidak terstruktur. Meskipun pada akhirnya memberikan hasil yang serupa dengan pemodelan prediktif data terstruktur tradisional, penggalian teks dari dokumen, catatan, pernyataan saksi, dan elemen-elemen lain dari klaim memberikan jumlah informasi yang meningkat secara signifikan kepada sistem. Memiliki sistem klaim yang dapat menangkap semua komorbiditas atau kombinasi obat yang berbahaya adalah hal yang tidak masuk akal. Namun, membuat AI mempelajari risiko yang terkait dengan melihat hal tersebut disebutkan dalam catatan, dokumen medis, atau korespondensi adalah hal yang mungkin.
Tantangan dan risiko utama
Meskipun semua ini terdengar seperti utopia untuk teknologi manajemen klaim, namun tetap saja ada tantangan dan risikonya. Banyak kejadian yang kami minta untuk dipelajari oleh AI tergolong langka, sehingga sering kali sulit untuk diprediksi - bahkan dengan perangkat lunak pemodelan data dan statistik terbaik sekalipun. Kejadian-kejadian tersebut hampir tidak pernah terjadi sebagai persentase dari keseluruhan bisnis. Ini tidak berarti bahwa mereka tidak mungkin untuk digunakan, namun para pembuat atau pembeli perangkat lunak otomasi/prediktif perlu memahami bagaimana hal ini masih memiliki tantangan dalam hal keakuratan. Berhati-hatilah terhadap vendor yang mengklaim memiliki model yang memiliki akurasi 95% dalam memprediksi kejadian yang jarang terjadi. Jika kejadian tersebut terjadi pada 3% dari klaim, maka akurasi yang lebih besar dari 97% adalah angka minimum yang harus dihasilkan oleh model dasar.
Pada akhirnya, efektivitas dari setiap model otomatisasi atau prediksi berbasis AI akan bergantung pada kualitas data dan kualitas tindakan yang diambil oleh tim klaim - jika tindakan preskriptif direkomendasikan atau dieskalasikan kepada mereka. Seperti kebanyakan teknologi, teknologi ini sering kali bekerja paling baik jika tidak sepenuhnya manual atau sepenuhnya otomatis, tetapi dikombinasikan dalam jumlah yang tepat untuk meminimalkan risiko sekaligus memaksimalkan kepuasan pelanggan.
