Juandiego Marquez es el científico de datos líder de Shift para Salud en Estados Unidos.
En la era de una carrera armamentística tecnológica en rápida evolución, ninguna industria del planeta volverá a ser la misma. Las aseguradoras de salud no son una excepción a la regla. Con la IA en la salud transformando el sector a un ritmo vertiginoso, estar al tanto de las tendencias cambiantes y vigilar las numerosas iteraciones de la tecnología puede ayudar a las aseguradoras a aprovecharla al máximo.
¿Qué entendemos por inteligencia artificial?
Mientras que la IA se ha convertido en el eslogan subyacente para el aprendizaje automático, el procesamiento del lenguaje natural, el aprendizaje profundo o cualquier otra miríada de casos de uso, en el contexto de FWA (Fraude, Despilfarro y Abuso), la inteligencia artificial trata de mejorar las capacidades de un investigador o analist.
Mientras que un investigador experto puede tener décadas de experiencia e intuición cuando se trata de fraude, el gran volumen y complejidad de los casos en el entorno moderno requieren un alto grado de análisis estadístico, un conjunto de habilidades que no siempre vienen con el trabajo. La IA permite la automatización de funciones analíticas críticas, lo que se traduce en una toma de decisiones más rápida y precisa, con el consiguiente ahorro de costos y una mejor atención al paciente.
Beneficios de la inteligencia artificial en Salud
Con la adopción de herramientas basadas en IA, las aseguradoras de Salud podrían ahorrar casi 360.000 millones de dólares al año en Estados Unidos. Mediante una combinación de análisis en tiempo real, asignación de recursos altamente eficiente y asistencia administrativa, la inteligencia artificial tiene el potencial de transformar por completo los procesos de los proveedores (ej.: Hospitales), reducir los costos y gastos de salud y mejorar en gran medida la atención que reciben los pacientes.
Dicho esto, la adopción real de la inteligencia artificial en el sector es escasa debido a una combinación de factores, entre ellos el conocimiento de la tecnología, así como las normas reglamentarias que prohíben el uso de datos de pacientes y PHI (información sanitaria protegida).
Debido a estas normas reguladoras, las herramientas disponibles como ChatGPT no pueden entrenarse en la PHI necesaria como contexto para responder con precisión a las preguntas sobre FWA. Lo mismo ocurre con la IA generativa, que tiene un enorme potencial en la atención sanitaria, pero solo si las organizaciones consiguen garantizar la seguridad.
Sin embargo, los mismos tipos de modelos de IA en los que se basan ChatGPT y otros pueden ser utilizados internamente por las aseguradoras de salud y los proveedores de FWA (Fraud Waste Abuse) para detectar fraudes y otras actividades sospechosas.
Pólizas de salud basadas en IA
La FWA es un potente caso de uso de la IA en Salud, donde cada año se pierden cerca de 300.000 millones de dólares en fraudes, despilfarros y abusos en Estados Unidos. Mediante un mayor análisis de redes y modelos de aprendizaje no supervisado, los investigadores pueden empezar a descubrir nuevas formas de fraude entre una red cada vez mayor de malos actores.
Los investigadores que antes tenían que analizar manualmente la información relevante ahora pueden aprovechar la IA para analizar los datos a un ritmo mucho más rápido, ahorrando tiempo y dinero en el proceso.
Análisis eficiente a escala
Se ha demostrado una y otra vez que investigar casos de fraude por valor de miles de millones de dólares con un número limitado de investigadores del fraude es una pérdida de tiempo y recursos valiosos. La magnitud y la complejidad de los casos exigen nuevas herramientas para una gestión eficiente, ya que los errores derivados de investigadores con exceso de trabajo o apresurados pueden dar lugar a importantes pérdidas financieras para la aseguradora de salud.
Investigar estos casos implica rastrear grandes cantidades de datos. Las investigaciones mejoradas con IA aprovechan la información procedente de diversas fuentes, como registros financieros, redes sociales y correos electrónicos. Al procesar esta información a gran escala y utilizar algoritmos avanzados, la IA ayuda a descubrir correlaciones y patrones ocultos, acortando significativamente los plazos de la investigación. Los investigadores ya no dependen de esperar a que se produzcan picos obvios para demostrar el fraude, ya que ahora pueden basarse en patrones y modelos derivados de análisis estadísticos automatizados.
Un mayor rendimiento de la inversión se traduce en una mejor atención al paciente
A medida que más equipos impulsen sus investigaciones con IA, la mejora de las capacidades de detección de fraudes se traducirá en un mejor rendimiento financiero, lo que en última instancia beneficiará a los resultados finales. La detección mejorada con IA utilizada por investigadores y analistas puede dar lugar a recuperaciones de mayor valor en pérdidas relacionadas con el fraude, al tiempo que reduce significativamente los pagos indebidos gracias al análisis predictivo potenciado por IA.
La automatización de la mayor parte de estos procesos redundará en una mayor eficiencia operativa, incluida la introducción de datos, la validación de reclamaciones y las comprobaciones de conformidad. La automatización de estas tareas puede ayudar a las aseguradoras de salud a reducir aún más los costos operativos y destinar más recursos a mejorar la atención al paciente.
Sin embargo, los responsables de FWA no deberían pensar únicamente en el ahorro de costos a corto plazo y en una rápida detección del fraude a la hora de tomar sus decisiones de inversión. Los beneficios del ROI a largo plazo de la FWA basada en IA pueden traducirse en mejoras continuas de los procesos de detección del fraude que tengan un impacto financiero significativo a largo plazo.
Un enfoque significativo de la implementación de la IA
El aprovechamiento adecuado de los datos en las pólizas de salud puede reducir significativamente el peso y el impacto de las pérdidas relacionadas con el fraude, pero la eficacia de este enfoque depende de la capacidad de la tecnología que utiliza los datos y de la comprensión de los expertos humanos que los utilizan.
Las soluciones de IA que se utilizan hoy en día deben hacer hincapié en la característica de explicar y destacar la información importante y pertinente para que el usuario entienda qué pasos de la investigación tienen más probabilidades de arrojar resultados positivos, así como la justificación y el razonamiento que subyacen a determinadas alertas.
Abrir la "caja negra de la IA" es fundamental para lograr una mayor adopción de la IA en el sector de salud, donde la confianza y la transparencia son valores fundamentales. Comprender los fundamentos de las alertas generadas por IA y centrarse en la característica de explicar da a las aseguradoras de salud más confianza en los resultados, eliminando el temor a que cualquier resultado deba verificarse manualmente. Una vez que el conocimiento, la familiaridad y la confianza están en su lugar, las aseguradoras de salud que utilizan la IA tienen el potencial de revolucionar la industria.
Shift utiliza el aprendizaje por refuerzo, que permite entrenar modelos para automatizar el proceso de obtención de significado a partir de patrones. La IA puede complementar las habilidades de un investigador no solo automatizando el análisis estadístico, sino también presentando la información más relevante. Esto se hace proporcionando datos históricos que informan de un resultado analítico.
Al mismo tiempo, la integración de datos externos automatiza un proceso de investigación típicamente manual y envía alertas a los equipos de investigación. Lo que consigue la SIU es un proceso de toma de decisiones mucho más rápido y preciso que los enfoques anteriores. Además, si los datos listos para la máquina no están disponibles, los expertos de Shift pueden reformatear los datos para que puedan introducirse en el modelo de IA.
Conclusión
Como sector, las aseguradoras de Salud no están ni siquiera cerca de aprovechar todo el potencial de la IA. Una combinación de controles normativos y barreras lingüísticas y educativas son algunos de los obstáculos para su adopción. Por desgracia, esto significa que el fraude seguirá produciéndose debido a la resistencia de las organizaciones a utilizar nuevas tecnologías.
Sin embargo, aprovechar la IA internamente puede ayudar a detectar el fraude y mejorar la eficacia de la investigación. Para lograr una mayor adopción de la IA, debe hacerse hincapié en la característica de explicar y la transparencia de las soluciones de IA. Aunque el camino hacia la adopción completa es largo, corresponderá a los innovadores recuperar el control y combatir la próxima generación de FWA.
Si está preparado para dar ese paso, hable hoy mismo con un experto.