让健康险欺诈成为历史，AI+大数据解决方案靠谱吗？_医疗健康

2018

08/16

14:46

动脉网

作者：高康平

医疗健康

哪里有保险，哪里就有骗保。

骗保可以称得上是一种全人类的行为。无论是国内英美，每年的保险诈骗都会给保险公司带来巨大的损失，尤其是在医保和车保两个常见险种。

为了规避这类行为，保险公司殚财竭力。在德国，每年约有22亿欧元的索赔是不正当的，而美国司法部的报告更是声称欺诈行为导致健康保险业每年的损失超过1000亿美元。

这样巨额数据的真实性虽有待商榷（部分统计数据为300-400万美元），但在从成本中寻找盈利的今天，保险业确是存在这样一处巨大的隐藏金矿有待挖掘。

很早以前，保险公司便使用计算机对索赔事项的合理性进行判断，但这种判断是肤浅的，工作人员需要对那些被标注为“异常”的索赔事项进行复查。麦肯锡的报告中显示，所有被标注为“异常”的案例只有10%是真正的异常。

那么我们是否可以用人工智能替代人力，用深度学习对索赔事项进行合理性判断呢？

辗压级的高准确率与高效率

审核保单的员工在评判某一索赔是否属实会存在一些规则，如该活动是否可能发生，该项费用是否在规定范围之内等，这些规则都是AI易于学习的，甚至还能做得更好。

毕竟人类在处理诸如此类重复的工作时常常感到困倦，且事件之间的联系很有可能被忽略，比如一个病人针对单一疾病开了多种不同类型但疗效相同的药，那么工作人员可能在分析单位药价是否合理时忽略了这一行为的不合理性，这是人工智能所不会忽略的。

如果不考虑保险公司员工失业所带来的负面社会效应，人工智能在各个方面均碾压人类员工。

首先是效率方面，过去需有几十位员工花费数周审理的索赔事项，在人工智能面前只需数小时。

其次是准确率，根据麦肯锡报告的数据显示，人工智能理论上能将现在的骗保金额减少约3%，而每减少1%的数额将为保险业带来百亿欧元的收益。

通过这种方式给出的判断在一定程度上可以降低保险公司员工与投保人发生冲突的可能，毕竟结果的推定者只是一个程序。

上图说明了人工智能的工作原理，第一步将所有的索赔事项导入系统，AI对其进行初步筛选，过滤掉所有正常的案例。在这个过程中，AI能够识别不寻常索赔之间的关联性，这有助于强化AI识别异常案例的能力。第二步AI将根据案例的具体情况为其评定优先级，并将该项目交给审核人员，给出拒绝索赔的理由。

如何开发认知系统？

虽然AI能够解决常规保险业务的几个重要的痛点，但是我们依然需要解决医疗领域最为重要的数据问题（这里以商业保险为对象）。

将患者的数据录入保险公司的信息库本身就是一件麻烦事，好在计算机视觉的迅速发展能加快数据录入的速度。如医拍智能开发的医疗单据识别和解析云平台，就可以通过扫描的方式对发票和化验单进行识别，自行录入数曲库。

数据提取以后，通过NLP技术，系统能够对文字信息进行预处理。日本保险公司Fukoku Mutual Life Insurance从2017年1月起，用IBM Watson取代了34名人身保险赔付专员。

Watson可以将医院提供的病历、诊疗记录进行扫描，利用NLP技术对这些复杂的资料进行提炼和处理，让员工腾出手来处理关于赔付的其他事项。同时，人工智能在各个领域的丰富知识，也能让保险公司减少对于高专业度员工的依赖。

在以上技术的支持下，我们可以把认知系统的开发流程简化为四个部分：

1、编译和预处理合适的数据。鉴于健康保险公司必须处理的大量数据，这一点工作是微不足道的，其关键在于保证数据完整性和一致性。同时，测试数据集应包括历史患者数据和索赔数据；

2、使用各种统计模型来分析患者，诊断和索赔的数据。在这个阶段，已经可以确定某些诊断和索赔金额之间的相关性。该分析为开发用于标记索赔异常的有效模型提供了基础。然后将测试数据用于训练认知系统。通过分析提供额外的保险数据和外部信息，直到最终AI开始独立学习新的数据和案例模式；

3、为了进行后续评估并选择最终将使用的系统，对几个认知系统进行编程，然后根据特定指标进行基准测试。根据测试结果，我们选择能够最可靠预测索赔的系统；

4、用确定的系统审核在现实条件下收到的新索赔案例，并进一步完善算法。

哪些公司在从事这一工作

由于国内商业健康保险缺乏深度，而欧美的商业保险制度相对较为发达，这里整理的从事保险AI的公司均位于国外。

1Accolade

2007年，Accolade成立于华盛顿州西雅图。它的Maya Intelligence平台可以根据患者的信息帮助患者选择最符合他们需求的健康保险，以降低医疗成本。它的合作方既包含保险公司，又包含有投保义务的客户，目前已为110多万客户提供相关服务。

该公司表示，该平台使用NLP来帮助分析和合成文本格式的数据，并根据福利计划、医疗历史、索赔历史等因素来建立用户背景，用以辅助管理患者档案。当患者登录时，他们可以访问个人资料、人口统计信息及保险公司的相关信息。如果用户希望与护士或医疗助理谈论诸如医疗或账单问题之类的话题，则该平台具有引荐功能，可以把用户与最符合其背景和需求的医疗专业人员相匹配。

据统计，Accolade在与坦普尔大学健康系统（TUHS）开展合作后的第二年成功降低了医疗保健费用，总计节省980万美元。

2Collective Health

Collective Health成立于2013年，总部设在加利福尼亚州旧金山，它的CareX平台可整合人口数据，医疗索赔，从而简化客户的医疗管理流程。

2017年3月Collective Health开始服务试点，为雇主、员工、员工的家属提供投保指导，并用AI系统对他们的后续行为进行追踪。

截止2018年8月，Collective Health已经有15位雇主及70000名员工加入CareX系统。

3Kirontech

Kirontech成立于2014年，总部位于英国剑桥，其软件平台KironMed使用AI减少索赔管理流程中的低效率行为。

KironMed的算法利用大型公共数据库的数据进行培训。该算法平台综合了这些数据，以识别医疗索赔的不同种类，并建立与健康保险欺诈（不准确的账单）或浪费（即服务利用不足）相关的模式。

截至2017年3月，该公司已经与风险投资技术公司Leap Ventures共同筹集了350万美元的A轮融资。

4Azati

Azati成立于2001年，总部位于新泽西州利文斯顿。它利用AI来检测保险公司在其定制的自助服务网站和移动保险平台上的欺诈行为。

当投保人登录平台时，他们可以通过Azat进行跟踪和索赔。如果系统在分析新索赔时检测到可能的欺诈案件，会将可能的案例发送给保险公司的人事专家，以便相关人员进行调查。软件平台还提供标记声明，以用于解释AI作出判断的理由。