Nieuwe technologie op het gebied van claim- en productiviteitsbeheer: automatisering en AI

Door Stephen Elliott, MBA, JD, CISSP, CSM, SVP, IT-innovatie en besluitoptimalisatie

Op de huidige markt beweren talloze leveranciers en technologieën gebruik te maken van kunstmatige intelligentie (AI) of handmatige claimprocessen te automatiseren.

Je zou kunnen stellen dat dit, sinds de introductie van de allereerste computer, het doel is geweest waar iedereen naartoe heeft gewerkt. De huidige technologie is in veel opzichten een voortzetting van dit proces, waarbij de focus ligt op de stappen in het claimproces die voorheen te complex of ondoorzichtig werden geacht om te automatiseren.

De afgelopen 50 jaar hebben schade-experts kunnen beschikken over de functionaliteit (en bijbehorende beperkingen) van applicaties die gebruikmaken van traditionele programmeertalen. Inmiddels zijn we allemaal goed bekend met de manier waarop traditionele technologieafdelingen te werk gaan om vereisten te verzamelen, 'regels' voor beslissingen te documenteren en te definiëren, en programma's te maken die samenwerken met schade-experts om de schadeafhandeling te verbeteren. Nu, met de introductie van AI, zijn er verschillende nieuwe componenten die een rol spelen bij wat er geprogrammeerd kan worden:

Patroonmatching

Kunstmatige intelligentie vergroot de reikwijdte van menselijke activiteiten die kunnen worden geautomatiseerd. Mensen volgen weliswaar gedocumenteerde instructies en regels bij het beheer van claims, maar ze zijn ook geoptimaliseerd om oplossingen te vinden op basis van patronen die ze eerder zijn tegengekomen. AI introduceert patroonherkenning in machineprogramma's, waardoor software kan worden gemaakt die niet langer een voorafgaande afzonderlijke uitsplitsing vanallebesluitvormingsregels vereist. In plaats daarvan biedt AI de mogelijkheid om historische gegevens te gebruiken om die regels op een abstracte manier in kaart te brengen en te begrijpen. Als ervaren schade-experts in het verleden naar claim X hebben gekeken en actie Y hebben besloten, dan kunnen AI-systemen worden getraind om hetzelfde te doen.

Omdat machine learning AI niet beperkt is door de methoden die mensen gebruiken om beslissingen te nemen, kan het zelfs nog beter zijn. AI kan namelijk patronen in gegevens identificeren die voor beslissingenmoetenworden gebruikt, zelfs als de beoordelaars die criteria niet hebben gebruikt of zich niet eens realiseerden dat ze die criteria gebruikten. Deze vooruitgang maakt het mogelijk om intelligente beslissingsmotoren te creëren die taken in het claimproces optimaal automatiseren die voorheen als te ingewikkeld werden beschouwd of waarvoor een subjectieve beslissing moest worden genomen.

Automatische transportsystemen

Automatische triagesystemen zijn ontworpen om vroege claimgegevens te analyseren en combineren deze gegevens met historische patronen die anders moeilijk te zien zouden zijn, om een claim nauwkeurig in een bepaalde 'categorie' te plaatsen voor verwerking. Er zijn veel manieren waarop bedrijven dit kunnen bereiken. Sommige bedrijven willen hun AI trainen om claims in verschillende kostenramingscategorieën onder te brengen, zodat ze risiconiveaus op basis van kosten kunnen onderscheiden. Andere bedrijven geven misschien de voorkeur aan een meer abstracte definitie van 'complexiteit' die kan worden afgestemd op de kosten, maar soms gewoon helpt bij het identificeren van claims die mogelijk meer tijd, meer menselijk contact of een hoger niveau van ervaren toezicht vereisen.

Systemen voor automatische toewijzing

Wanneer de automatische triage is voltooid, neemt de automatische beoordeling het over. Als een claim alseenvoudigis beoordeeld en zonder menselijke tussenkomst kan worden verwerkt, kunnen de resterende stappen van het claimproces meestal worden geautomatiseerd. Met behulp van AI in combinatie met meer traditionele methoden kan de claim worden verplaatst van intake naar geschiktheid en uiteindelijk naar betaling en afsluiting. Deze automatisch beoordeelde claims zijn niet alleen goedkoper om te beheren, maar leiden vaak ook tot een grotere tevredenheid bij de eiser, omdat ze niet worden vertraagd door het wachten op beoordeling door experts — waardoor de eiser snel en gemakkelijk afsluiting krijgt.

Voorspellend modelleren

Voorspellende modellen worden meestal als een op zichzelf staande technologie beschouwd, maar vormen vaak een belangrijk onderdeel van kunstmatige intelligentieoplossingen. Ze combineren machine learning en complexe statistieken en gebruiken historischegegevenspatronenom de toekomst te voorspellen. Bij het automatiseren van beslissingen of stappen in het claimproces kunnen voorspellende modellen worden gebruikt om de acties te kiezen die de optimale voorspellende resultaten opleveren op basis van kosten, klanttevredenheid of risico.

Hoewel deze modellen gebruikmaken van moderne technologie, kunnen ze ook worden gebruikt om de hoeveelheid menselijke tussenkomst bij kritieke claims te optimaliseren. Gerichte prescriptieve aanbevelingen om ervaren middelen toe te voegen kunnen worden gedaan wanneer nuances in een claim wijzen op verschillende scenario's:

• Fraude
• Geschillen
• Specialisatie

Wanneer de kans op fraude groot is, kan de claim worden doorverwezen naar onderzoekers of worden voorgelegd aan schade-experts voor verder onderzoek en verdere actie. AI-modellen kunnen niet alleen fraude op individuele claims opsporen, maar ook het volledige klantenbestand bekijken en patronen van fraude ontdekken in individuele gevallen die op het eerste gezicht onschuldig lijken.

Wanneer de kans op een rechtszaak groot is, kunnen speciale maatregelen worden genomen met betrekking tot de claim. Dit kunnen taken zijn zoals het opslaan en archiveren van beveiligingsbeelden uit winkels, het interviewen van getuigen en andere betrokkenen terwijl hun herinneringen nog vers zijn, of het verbeteren van de zorg en communicatie met een eiser om ontevredenheid te voorkomen.

Wanneer speciale expertise de claim ten goede kan komen, hetzij op basis van huidige 'triggers' of voorspellingen van toekomstige triggers, kan AI de claim escaleren zodat verschillende teams erbij worden betrokken. Deze teams kunnen bestaan uit verpleegkundigen die casemanagers zijn, subrogatieonderzoekers of specialisten in andere complexe of unieke claims.

Tekst mining

Het volgende domein in machine learning AI ligt in tekstmining van ongestructureerde gegevens. Hoewel dit uiteindelijk vergelijkbare resultaten oplevert als traditionele voorspellende modellen voor gestructureerde gegevens, biedt tekstmining van documenten, aantekeningen, getuigenverklaringen en andere elementen van de claim het systeem een aanzienlijk grotere hoeveelheid informatie. Het is onredelijk om claimsystemen alle comorbiditeiten of gevaarlijke medicijncombinaties te laten vastleggen. Het is echter wel mogelijk om AI de risico's te laten leren die gepaard gaan met het zien ervan in aantekeningen, medische documenten of correspondentie.

Belangrijkste uitdagingen en risico's

Hoewel dit allemaal klinkt als een utopie voor claimbeheertechnologie, brengt het toch een aantal uitdagingen en risico's met zich mee. Veel van de gebeurtenissen waarover we AI willen laten leren, worden als zeldzaam beschouwd, waardoor ze vaak moeilijk te voorspellen zijn – zelfs met de beste data en statistische modelleringssoftware. Ze komen nauwelijks voor als percentage van het totale orderboek. Dit betekent niet dat ze onmogelijk zijn om mee te werken, maar het is aan de ontwikkelaars of kopers van automatiserings-/voorspellingssoftware om te begrijpen dat deze nog steeds uitdagingen kunnen hebben met betrekking tot de nauwkeurigheid. Pas op voor leveranciers die beweren modellen te hebben die 95% nauwkeurig zijn in het voorspellen van zeldzame gebeurtenissen. Als die gebeurtenissen zich voordoen bij 3% van de claims, dan is een nauwkeurigheid van meer dan 97% het absolute minimum dat elk basismodel zou moeten produceren.

Uiteindelijk hangt de effectiviteit van AI-gebaseerde automatiserings- of voorspellingsmodellen af van zowel de kwaliteit van de gegevens als de kwaliteit van de maatregelen die door een claimteam worden genomen – mochten er prescriptieve maatregelen worden aanbevolen of naar hen worden geëscaleerd. Zoals de meeste technologieën werkt het vaak het beste wanneer het niet volledig handmatig of volledig geautomatiseerd is, maar in plaats daarvanin precies de juiste matewordt gecombineerd om risico's te minimaliseren en de klanttevredenheid te maximaliseren.