¿Cuáles son los casos de uso más interesantes del uso de datos en la industria de la salud?

Te contaré uno divertido primero. Justo antes de que Oscar comenzara a pagar las reclamaciones (y mis hijos aceptaron a Oscar), nació mi hija, a fines de 2013. Sabíamos que mi esposa iba a dar a luz en St. Luke’s Roosevelt en Manhattan. Sin embargo, lo que no puede planear es qué médico entregará a su bebé, porque no conoce el momento exacto del bebé, obviamente. Realmente queríamos un parto natural, por lo que queríamos saber si habría médicos que tuvieran una mayor probabilidad de enviarnos a una cesárea. Así que utilicé manualmente nuestros datos (en este caso, una combinación de un conjunto de datos del Estado de Nueva York sobre procedimientos para pacientes internados, datos de reclamaciones que habíamos cargado por adelantado de nuestras redes en Nueva York y otros metadatos médicos) para compilar una pequeña hoja con -las tasas de sección por médicos que podríamos encontrar esa noche. Me dio mucha confianza de que estábamos listos para el parto … Por supuesto, esa fue la parte más fácil del embarazo, mi esposa hizo todo el trabajo real. Hoy en día, el sistema que compila nuestros datos específicos de médicos y hospitales está casi completamente automatizado.
Aquí hay otros dos ejemplos de en qué deberían ser especialmente buenas las compañías de seguros.

1. Optimizar los resultados de la atención médica.
Las compañías de seguros tienen más datos de atención médica que cualquier otra persona. Son el centro neurálgico de la información, desde visitas al médico en estadías en el hospital hasta medicamentos con receta y exámenes de laboratorio. Podemos usar esa información para optimizar la calidad de la atención. Eso comienza con la comprensión de la calidad y las áreas de experiencia de médicos y hospitales individuales. Piénselo: a menudo es más fácil encontrar un buen restaurante para cenar que encontrar un buen cirujano que lo abra. Una vez que tenga una comprensión de los proveedores individuales, ¿cómo se integra eso en redes curadas y de alta calidad? Debe modelar su utilización futura y asegurarse de tener atención disponible y accesible para todos los problemas posibles y todas las áreas geográficas. Debe tener un control automático de las brechas de acceso y calidad, que luego desencadena flujos de trabajo operativos para resolverlas. Luego, debe brindar a sus miembros y equipos internos excelentes herramientas para buscar médicos y evaluar problemas médicos. Desea asegurarse de que la persona correcta trate los problemas de salud en el momento correcto. Finalmente, debe tener una comprensión algorítmica de los problemas de salud y la utilización de sus miembros. Eso no solo le permite hacer todo lo que acabo de mencionar, sino que también impulsa los esfuerzos de cuidado predictivo. Por ejemplo, es probable que desee exponer a los miembros con problemas médicos futuros o patrones de tratamiento inusuales y luego comunicarse proactivamente con ellos.

2. Alineación de incentivos financieros.
Los incentivos financieros en el viejo mundo de la asistencia médica se han roto. Los pacientes tienen poca capacidad para comprender el costo por adelantado y de repente reciben miles de dólares o más en facturas médicas. Los proveedores son reembolsados ​​por cada servicio que realizan, en lugar de por la calidad de los resultados. Todos estos son problemas profundamente analíticos y basados ​​en datos. Pronosticar los servicios esperados realizados durante una visita al médico y su posible costo es un ejercicio puro de modelado probabilístico basado en datos históricos y tendencias actuales. Trabajar con los proveedores para estructurar los incentivos en torno al valor entregado en lugar de los servicios prestados es más difícil: también requiere una profunda comprensión conceptual de cómo dividir la atención médica en paquetes individuales combinados con un modelado adecuado del sistema en general. ¿Quién puede afectar los resultados de la atención? ¿Cómo construyes métricas para medir el rendimiento? ¿Cómo comparte el riesgo entre las partes involucradas de manera justa?

Tenga en cuenta que la atención médica y el seguro de salud son sistemas muy complejos. Ejecutarlos a escala requiere resolver una tonelada de problemas de datos operativos. Son menos sexys y, a menudo, poco apreciadas, pero posiblemente incluso más importantes. Si no puede procesar, fijar el precio y adjudicar millones de reclamaciones con una tasa de error mínima, no puede hacer nada más.

Las compañías de seguros llaman al proceso de decidir si pagar o cuánto pagar en una ‘adjudicación’ de reclamo. Esto sucede dentro del sistema de reclamos. El objetivo final es decidir si un reclamo está cubierto, cuál es el costo total y si se trata de costos compartidos con el miembro. Si compila la lógica de adjudicación completa de un sistema de reclamaciones típico en un gráfico de decisión, termina con decenas de miles de nodos. No es de extrañar que la gente piense que el seguro de salud es complicado. Esta es un área donde la optimización de gráficos y las técnicas de partición pueden ayudar. ¿Puede encontrar representaciones más compactas y fáciles de entender de su lógica existente reordenando, contrayendo, fusionando y reconfigurando nodos? ¿O puede aprender programáticamente qué reglas tienen un impacto insignificante y eliminarlas por completo?

Lo que generalmente me gusta de ser una compañía de seguros es que el uso de nuestros datos es extremadamente práctico. Por ejemplo, en Nueva York, tenemos feeds en tiempo real de quién entre los miembros de Oscar ha ido a la sala de emergencia, y la enfermera de su equipo de conserjería lo llama cuando sale de la sala de emergencias. Y comenzar a pagarle a nuestros miembros por caminar (la aplicación Oscar le paga un dólar al día por alcanzar una meta personalizada de contar pasos) debería llevar a una población más saludable, pero inmediatamente comenzó a hacer que los miembros usen más tele-visitas, porque ambos operan a través de la aplicación móvil Oscar. Cuantas más visitas telefónicas, menor es la utilización de la atención de emergencia costosa y, a menudo, innecesaria, que es mejor para todos.