Βρείτε μας στο Google News. Πατήστε εδώ!Την τελευταία δεκαετία, οι εταιρείες ασφάλισης υγείας έχουν υιοθετήσει ολοένα και περισσότερο τη χρήση αλγορίθμων τεχνητής νοημοσύνης. Σε αντίθεση με τους γιατρούς και τα νοσοκομεία, που χρησιμοποιούν την Τεχνητή Νοημοσύνη για να βοηθήσουν στη διάγνωση και τη θεραπεία ασθενών, οι ασφαλιστές υγείας χρησιμοποιούν αυτούς τους αλγόριθμους για να αποφασίσουν εάν θα πληρώσουν για θεραπείες και υπηρεσίες υγειονομικής περίθαλψης που συνιστώνται από τους γιατρούς ενός δεδομένου ασθενούς.
Ένα από τα πιο συνηθισμένα παραδείγματα είναι η προηγούμενη έγκριση, η οποία συμβαίνει όταν ο γιατρός σας πρέπει να λάβει έγκριση πληρωμής από την ασφαλιστική σας εταιρεία πριν σας παράσχει φροντίδα. Πολλές ασφαλιστικές εταιρείες χρησιμοποιούν έναν αλγόριθμο για να αποφασίσουν εάν η ζητούμενη φροντίδα είναι «ιατρικά απαραίτητη» και πρέπει να καλύπτεται. Αυτά τα συστήματα Τεχνητής Νοημοσύνης βοηθούν επίσης τους ασφαλιστές να αποφασίσουν πόση φροντίδα δικαιούται ένας ασθενής – για παράδειγμα, πόσες ημέρες νοσοκομειακής περίθαλψης μπορεί να λάβει ένας ασθενής μετά από χειρουργική επέμβαση.
Εάν ένας ασφαλιστής αρνηθεί να πληρώσει για μια θεραπεία που συνιστά ο γιατρός σας, συνήθως έχετε τρεις επιλογές. Μπορείτε να προσπαθήσετε να ασκήσετε έφεση κατά της απόφασης, αλλά αυτή η διαδικασία μπορεί να απαιτήσει πολύ χρόνο, χρήματα και βοήθεια από ειδικούς. Μόνο 1 στις 500 απορρίψεις αξιώσεων υποβάλλεται σε έφεση. Μπορείτε να συμφωνήσετε σε μια διαφορετική θεραπεία που θα καλύψει ο ασφαλιστής σας. Ή μπορείτε να πληρώσετε μόνοι σας για τη συνιστώμενη θεραπεία, κάτι που συχνά δεν είναι ρεαλιστικό λόγω του υψηλού κόστους υγειονομικής περίθαλψης.
Όπως και με τους αλγόριθμους τεχνητής νοημοσύνης που χρησιμοποιούνται από γιατρούς και νοσοκομεία, αυτά τα εργαλεία μπορούν δυνητικά να βελτιώσουν τη φροντίδα και να μειώσουν το κόστος. Οι ασφαλιστές λένε ότι η τεχνητή νοημοσύνη τους βοηθά να λαμβάνουν γρήγορες και ασφαλείς αποφάσεις σχετικά με το ποια φροντίδα είναι απαραίτητη και αποφεύγουν σπάταλες ή επιβλαβείς θεραπείες. Υπάρχουν όμως ισχυρές ενδείξεις ότι μπορεί να ισχύει το αντίθετο. Αυτά τα συστήματα χρησιμοποιούνται μερικές φορές για να καθυστερήσουν ή να αρνηθούν τη φροντίδα που θα έπρεπε να καλύπτεται, όλα στο όνομα της εξοικονόμησης χρημάτων.
Ένα μοτίβο παρακράτησης φροντίδας
Πιθανώς, οι εταιρείες τροφοδοτούν τους αλγόριθμους κάλυψης υγειονομικής περίθαλψης με τα αρχεία υγειονομικής περίθαλψης ενός ασθενούς και άλλες σχετικές πληροφορίες και συγκρίνουν αυτές τις πληροφορίες με τα τρέχοντα ιατρικά πρότυπα περίθαλψης για να αποφασίσουν εάν θα καλύψουν την αξίωση του ασθενούς. Ωστόσο, οι ασφαλιστές έχουν αρνηθεί να αποκαλύψουν πώς λειτουργούν αυτοί οι αλγόριθμοι κατά τη λήψη τέτοιων αποφάσεων, επομένως είναι αδύνατο να πούμε ακριβώς πώς λειτουργούν στην πράξη.
Η χρήση της Τεχνητής Νοημοσύνης για την αναθεώρηση της κάλυψης εξοικονομεί χρόνο και πόρους στις ασφαλιστικές εταιρείες, ειδικά επειδή σημαίνει ότι χρειάζονται λιγότεροι επαγγελματίες υγείας για να εξετάσουν κάθε περίπτωση. Αλλά το οικονομικό όφελος για τις ασφαλιστικές εταιρείες δεν σταματά εκεί. Εάν ένα σύστημα Τεχνητής Νοημοσύνης απορρίψει γρήγορα μια έγκυρη αξίωση και ο ασθενής ασκήσει έφεση, η διαδικασία έφεσης μπορεί να διαρκέσει χρόνια. Εάν ο ασθενής είναι σοβαρά άρρωστος και αναμένεται να πεθάνει σύντομα, η ασφαλιστική εταιρεία μπορεί να εξοικονομήσει χρήματα απλώς παρατείνοντας τη διαδικασία με την ελπίδα ότι ο ασθενής θα πεθάνει πριν επιλυθεί η υπόθεση.
Οι ασφαλιστικές εταιρείες λένε ότι εάν αρνηθούν να καλύψουν μια ιατρική παρέμβαση, οι ασθενείς μπορούν να την πληρώσουν από την τσέπη τους. Αυτό δημιουργεί την ανησυχητική πιθανότητα οι ασφαλιστικές εταιρείες να χρησιμοποιούν αλγόριθμους για να αρνηθούν την περίθαλψη για ακριβά, μακροπρόθεσμα ή τελικά προβλήματα υγείας, όπως χρόνιες ή άλλες εξουθενωτικές αναπηρίες. Ένας δημοσιογράφος το έθεσε ευθέως: «Πολλοί ηλικιωμένοι που πέρασαν τη ζωή τους πληρώνοντας στο Medicare αντιμετωπίζουν τώρα ακρωτηριασμό ή καρκίνο και αναγκάζονται είτε να πληρώσουν οι ίδιοι για περίθαλψη είτε να μείνουν χωρίς αυτήν».
Η έρευνα υποστηρίζει αυτήν την ανησυχία – οι ασθενείς με χρόνιες ασθένειες είναι πιο πιθανό να τους αρνηθεί η κάλυψη και να υποφέρουν ως αποτέλεσμα. Επιπλέον, οι μαύροι και οι ισπανόφωνοι και όσοι ανήκουν σε άλλες μη λευκές εθνότητες, καθώς και άτομα που αυτοπροσδιορίζονται ως λεσβίες, ομοφυλόφιλοι, αμφιφυλόφιλοι ή τρανς, είναι πιο πιθανό να αντιμετωπίσουν απορρίψεις αιτήσεων. Ορισμένα στοιχεία υποδηλώνουν επίσης ότι η προηγούμενη έγκριση μπορεί να αυξήσει αντί να μειώσει το κόστος του συστήματος υγειονομικής περίθαλψης.
Οι ασφαλιστικές εταιρείες υποστηρίζουν ότι οι ασθενείς μπορούν πάντα να πληρώσουν οι ίδιοι για οποιαδήποτε θεραπεία, επομένως δεν τους αρνούνται στην πραγματικότητα την περίθαλψη. Αλλά αυτό το επιχείρημα αγνοεί την πραγματικότητα. Αυτές οι αποφάσεις έχουν σοβαρές συνέπειες για την υγεία, ειδικά όταν οι άνθρωποι δεν έχουν την οικονομική δυνατότητα να λάβουν τη φροντίδα που χρειάζονται.
Προχωρώντας προς τη ρύθμιση
Σε αντίθεση με τους ιατρικούς αλγόριθμους, τα εργαλεία τεχνητής νοημοσύνης στον τομέα της ασφάλισης είναι σε μεγάλο βαθμό ανεξέλεγκτα. Δεν χρειάζεται να υποβληθούν σε έλεγχο από την Υπηρεσία Τροφίμων και Φαρμάκων (FDA) και οι ασφαλιστικές εταιρείες συχνά λένε ότι οι αλγόριθμοί τους αποτελούν εμπορικά μυστικά.
Αυτό σημαίνει ότι δεν υπάρχουν δημόσιες πληροφορίες σχετικά με τον τρόπο με τον οποίο αυτά τα εργαλεία λαμβάνουν αποφάσεις και δεν υπάρχουν εξωτερικές δοκιμές για να διαπιστωθεί εάν είναι ασφαλή, δίκαια ή αποτελεσματικά. Δεν υπάρχουν μελέτες αξιολογημένες από ομοτίμους που να δείχνουν πόσο καλά λειτουργούν στον πραγματικό κόσμο.
Φαίνεται να υπάρχει κάποια δυναμική για αλλαγή.
Τα Κέντρα για τις Υπηρεσίες Medicare & Medicaid, ή CMS, που είναι η ομοσπονδιακή υπηρεσία που είναι υπεύθυνη για το Medicare και το Medicaid, ανακοίνωσαν πρόσφατα ότι οι ασφαλιστές στα προγράμματα Medicare Advantage πρέπει να βασίζουν τις αποφάσεις τους στις ανάγκες των μεμονωμένων ασθενών – όχι μόνο σε γενικά κριτήρια. Ωστόσο, αυτοί οι κανόνες εξακολουθούν να επιτρέπουν στις ασφαλιστικές εταιρείες να δημιουργούν τα δικά τους πρότυπα λήψης αποφάσεων και δεν απαιτούν εξωτερικές δοκιμές για να αποδείξουν ότι τα συστήματά τους λειτουργούν πριν από τη χρήση τους.
