Η χρήση της ΤΝ στον ασφαλιστικό κλάδο υγείας εκτοξεύεται, αλλά οι ασφαλιστές που θα αποδείξουν ότι τη χρησιμοποιούν υπεύθυνα θα έχουν σαφές πλεονέκτημα στο μέλλον.
Η επίλυση διαφορών πληρωμών μεταξύ ασφαλιστικών εταιρειών, γιατρών και νοσοκομείων είναι μια χρονοβόρα και συχνά επίπονη διαδικασία. Στις Ηνωμένες Πολιτείες, ένα χαρακτηριστικό παράδειγμα αυτής της πρόκλησης παρέχει ο ομοσπονδιακός νόμος No Surprises Act (NSA), ο οποίος προστατεύει τους ασθενείς από απρόσμενους λογαριασμούς για φροντίδα εκτός δικτύου του ασφαλιστικού τους προγράμματος.
Εκατομμύρια διαφορές και αυξανόμενος φόρτος εργασίας
Ο νόμος NSA περιλαμβάνει μια ανεξάρτητη διαδικασία επίλυσης διαφορών, σχεδιασμένη να διαιτητεύει διαφωνίες πληρωμών που δεν μπορούν να επιλυθούν απευθείας μεταξύ παρόχου υγείας και ασφαλιστικής εταιρείας. Ο αριθμός των υποθέσεων που παραπέμπονται σε διαιτησία έχει εκτοξευθεί πολύ πέρα από τα αρχικά πρoβλεπόμενα επίπεδα. Σύμφωνα με στοιχεία των Centers for Medicare & Medicaid Services (CMS), σχεδόν 1,4 εκατομμύρια διαφορές κινήθηκαν στο δεύτερο μισό του 2025, έναντι 1,2 εκατομμυρίων το πρώτο εξάμηνο.
Παράλληλα, οι ασφαλιστές έρχονται αντιμέτωποι με αυξημένες απαιτήσεις στη διαδικασία προέγκρισης, κατά την οποία ένας γιατρός ζητά έγκριση από τον ασφαλιστή πριν ο ασθενής λάβει φροντίδα. Από τον Ιανουάριο, νέοι κανόνες του CMS υποχρεώνουν τους ασφαλιστές να αποφασίζουν εντός επτά ημερών για τυπικά αιτήματα και εντός 72 ωρών για επείγοντα. Από το 2027, θα πρέπει επίσης να εφαρμόσουν ένα σύστημα API για την αυτοματοποίηση αιτημάτων, τεκμηρίωσης και αποφάσεων.
Η ΤΝ γίνεται εργαλείο όλων των εμπλεκόμενων
Μπροστά σε αυτό το σύνθετο τοπίο, είναι λογικό που οι ασφαλιστές στρέφονται ολοένα και περισσότερο στην τεχνητή νοημοσύνη. Πρόσφατη έρευνα της Εθνικής Ένωσης Επόπτων Ασφαλίσεων (NAIC) σε 93 ασφαλιστές από 16 αμερικανικές πολιτείες έδειξε ότι το 84% χρησιμοποιεί πλέον ΤΝ ή μηχανική μάθηση σε κάποιο στάδιο της διαδικασίας αξιολόγησης, συμπεριλαμβανομένης της διαχείρισης χρήσης και της προέγκρισης.
Η ΤΝ μπορεί να προσφέρει ουσιαστική υποστήριξη σε πολλαπλά επίπεδα: από την περίληψη ιστορικού αξιώσεων και τη συγκέντρωση τεκμηρίωσης, μέχρι τον εντοπισμό σφαλμάτων. Επιπλέον, οι ασφαλιστές μπορούν να χρησιμοποιήσουν την τεχνολογία για να προβλέψουν πιθανά αποτελέσματα διαιτησίας, αξιοποιώντας προηγούμενες υποθέσεις για να εντοπίσουν αδυναμίες στη θέση τους.
Το ίδιο φαινόμενο παρατηρείται και στην πλευρά των παρόχων υγείας. Σύμφωνα με την Αμερικανική Ιατρική Ένωση, 4 στους 5 γιατρούς στις ΗΠΑ χρησιμοποιούν πλέον γενετική ΤΝ επαγγελματικά, κι αυτό δεν εκπλήσσει, αφού το ιατρικό προσωπικό αφιερώνει κατά μέσο όρο 13 ώρες την εβδομάδα σε αιτήματα προέγκρισης. Παρομοίως, οι φορείς ανεξάρτητης επίλυσης διαφορών χρησιμοποιούν ΤΝ για να διαχειριστούν τον αυξανόμενο όγκο υποβαλλόμενων στοιχείων και να λαμβάνουν αποφάσεις πληρωμής εγκαίρως.
Η χρήση δεν αρκεί: Ζητείται υπεύθυνη διακυβέρνηση
Όταν όμως όλα τα μέρη μιας διαδικασίας αρχίζουν να χρησιμοποιούν ΤΝ, το κριτήριο αξιολόγησης αλλάζει αναπόφευκτα. Η απλή χρήση της τεχνολογίας δεν θα αρκεί πλέον. Αυτό που θα έχει σημασία είναι η αξιόπιστη και καλά διοικούμενη χρήση της.
Στην πράξη, η καλή διακυβέρνηση σημαίνει, πρώτα απ’ όλα, ένα ξεκάθαρο πλαίσιο που ορίζει πού σταματά η ΤΝ και πού αρχίζει η ανθρώπινη εποπτεία. Σε κάθε διαδικασία λήψης αποφάσεων στον τομέα της υγείας, η κατευθυντήρια αρχή πρέπει να είναι: «Η ΤΝ επισημαίνει, ο κλινικός επιβεβαιώνει». Η ΤΝ μπορεί να λειτουργεί ως μηχανισμός προτάσεων, εντοπίζοντας τη σωστή θέση πληρωμής ή το εύρος διακανονισμού πολύ γρηγορότερα από ό,τι ήταν εφικτό στο παρελθόν. Ωστόσο, ένας άνθρωπος πρέπει να παραμένει υπεύθυνος για το αν η πρόταση αυτή είναι τελικά κατάλληλη ή αποδεκτή, διατηρώντας πάντα την ανεξαρτησία να την αμφισβητήσει, να την τροποποιήσει ή να την απορρίψει.
Ο ρυθμιστικός ορίζοντας αλλάζει
Τα επόμενα χρόνια, αναμένεται οι ρυθμιστικές αρχές να κινηθούν γρήγορα και αποφασιστικά σε αυτό το πεδίο. Ήδη, ένα πολιτικό κείμενο του Πανεπιστημίου Stanford με τίτλο «Toward Responsible AI in Health Insurance Decision-Making» θέτει βασικές προτάσεις, όπως η αξιολόγηση μεροληψιών μοντέλων, ο έλεγχος αντιπροσωπευτικότητας των δεδομένων εκπαίδευσης και η καταγραφή κάθε περίπτωσης «παραίσθησης» (hallucination) της ΤΝ. Είναι πιθανό αυτές οι απαιτήσεις να αποτυπωθούν σύντομα σε επίσημες οδηγίες και νομοθεσία.
Οι ασφαλιστές που θα προλάβουν να προετοιμαστούν έγκαιρα δεν θα είναι απλώς συμμορφωμένοι, αλλά θα αποδείξουν ότι είναι υπεύθυνοι και αξιόπιστοι χρήστες της τεχνολογίας. Και σε ένα τοπίο που γίνεται ολοένα πιο ανταγωνιστικό, αυτό μπορεί να αποτελέσει σημαντικό διαφοροποιητικό πλεονέκτημα.
