Den Zeitrahmen von Versicherungsansprüchen verstehen, um zukünftige Ergebnisse mithilfe von KI vorherzusagen

Wie können wir erwarten, dass Prüfer konsistente, faire und genaue Entscheidungen treffen, wenn sich ihre Erfahrung auf eine kleine Teilmenge der Anträge beschränkt, die sie persönlich geprüft haben?

Technologieorientierte Branchen profitieren von Partnerschaften zwischen Mensch und Maschine und tragen dazu bei, bessere, schnellere und genauere Entscheidungen zu treffen, indem sie einzelnen Fachleuten, die mit der endgültigen Entscheidung beauftragt sind, alle wichtigen Lehren der Vergangenheit zugänglich machen. Bei EvolutionIQ bringen wir Versicherungen in diese Zukunft, indem wir mit Sachverständigen, Managern und Schadenmanagern zusammenarbeiten, um die wichtigsten Erkenntnisse aus der gesamten Unternehmenserfahrung genau an den Sachverständigen oder Prüfer weiterzuleiten, der den relevantesten Schadensfall bearbeitet.

Um die wichtigsten Erkenntnisse genau zum richtigen Zeitpunkt zu liefern, ahmen unsere KI-Lernalgorithmen nach, wie Prüfer Best Practices erkennen und wie sich der Schadenprozess während ihrer Prüfungen über Jahre oder sogar Jahrzehnte entwickelt hat. So lernen Prüfer beispielsweise, bestimmte Formulierungen und Muster in den Notizen von Krankenschwestern und Ärzten zu erkennen und wie Antragsteller mit dem Versicherungsträger interagieren. Aufgrund dieser Erkenntnisse und Erfahrungen wissen Prüfer, was zu tun ist, wenn sie einen neuen Antrag prüfen müssen. Wenn KI also ähnliche Muster aufgreifen und sogar neue entdecken kann, kann sie Prüfer bei ihrer Arbeit unterstützen.

Daten zu Versicherungsansprüchen stellen KI-Algorithmen aus zwei Hauptgründen vor besondere Herausforderungen:

1. der Großteil der Daten liegt in einem unstrukturierten Format vor, einschließlich Notizen und Korrespondenz der Prüfer, und
2. wie wichtig es ist, Daten in einer Zeitreihe von Monaten, wenn nicht Jahren, zu verstehen, in der ein Anspruch noch offen bleiben könnte.

In der Abbildung unten erhielt der Antragsteller beispielsweise eine Erstdiagnose. Dann hinterließ der Prüfer dem Antragsteller eine Voicemail und ordnete anschließend eine umfassende berufliche Überprüfung an. Die Sequenz wurde fortgesetzt, als der Prüfer kürzlich eine medizinische Untersuchung anordnete, die eine aktualisierte Diagnose und Prognose enthielt. Auf der Grundlage dieser Informationen muss der Prüfer entscheiden, ob die vorgelegten Informationen die laufenden Invaliditätszahlungen rechtfertigen.

Mehr über Behauptungen lernen: Menschliche Version

Nehmen wir zur Veranschaulichung an, dass der Prüfer auf der Grundlage der beruflichen Überprüfung und der neuesten medizinischen Erkenntnisse zu dem Schluss kommt, dass der Antragsteller wieder arbeiten kann, und versendet daher ein Schreiben, um den Antrag abzuschließen. Daher entscheidet der Prüfer aufgrund seiner Erfahrung, dass das neuere ärztliche Attest die vorherige Diagnose ersetzt. Die Tatsache, dass der Prüfer eine Voicemail hinterlassen hat, war für die Beurteilung der Gültigkeit einer anhaltenden Behinderung nicht aussagekräftig.

Sobald sich die Prüfer alle historischen Informationen zu einer Behauptung angesehen haben, fassen sie sie so zusammen, dass sie die Zukunft vorhersagen und fundierte Entscheidungen treffen können — ein Lernalgorithmus. Sie wiederholen nicht nur alle historischen Informationen, sondern reduzieren sie auf die kritischen Fakten, die sich darauf ausgewirkt haben, wie sie mit der Behauptung umgehen wollen.

Mehr über Reklamationen erfahren: Maschinenversion

Künstliche Intelligenz kann dieselben Informationen lernen, aber nicht aus demselben Unterrichtsplan.

Zeitreihen- oder Sequenzmodelle für maschinelles Lernen verhalten sich ähnlich wie ihre menschlichen Gegenstücke, nutzen jedoch deutlich mehr Datenpunkte. Im Wesentlichen nehmen sie die gesamte Palette vergangener und gegenwärtiger Ereignisse auf und verwenden diese, um die Zukunft genauer vorherzusagen. Tatsächlich bestimmt die KI, welche Muster nützlich sind und welche nicht, und stützt sich dann auf den größeren Vorhersagewert der nützlicheren Daten, um genauere Prognosen zu erstellen.

Formeller ausgedrückt möchte EvolutionIQ anhand vergangener und aktueller Schadensdaten mehr über die zukünftige Fähigkeit zur RTW erfahren:

Ein ML-Algorithmus versucht, dies als Funktion zu lernen, die Schadensdaten für jeden Anspruch zu einem bestimmten Zeitpunkt einem Wahrscheinlichkeitswert (Score) zuordnet.

f (beansprucht Daten aus Gegenwart und Vergangenheit) → Punktzahl

Im obigen Beispiel können sich die Prüfer auf ihre Erfahrung verlassen, um zu wissen, welche Untergruppe von Informationen wichtig war, um die Zukunft vorherzusagen — mündliche Überprüfung, neueste medizinische Untersuchung — und welche Untergruppe sicher ignoriert werden konnte — Voicemail, veraltete Diagnose. Diese „Erfahrung“ ist genau das, was ML-Algorithmen anhand historischer Schadensdaten vermitteln können. Bei EvolutionIQ verwenden wir Sequenzmodelle wie rekurrente neuronale Netze oder Modelle für das lange Kurzzeitgedächtnis, um wichtige dynamische Muster zu erlernen, mit denen Prognosen auf dem neuesten Stand der Technik erzielt werden können.

Live-Claim-Beispiel mit KI erklärt

Auf der anderen Seite investiert EvolutionIQ auch stark in erklärbare KI um die Fallstricke sogenannter „Blackbox“ -Lösungen zu vermeiden. Wir möchten, dass unsere Kunden die Entscheidungsfindung verstehen, die in diese Algorithmen einfließen. Als konkretes Beispiel sei der unten stehende Antrag genannt, der im Januar 2011 eröffnet und schließlich im März 2018 geschlossen wurde. Die Y-Achse stellt die Prognose unserer KI zur Wahrscheinlichkeit dar, dass ein Antrag in naher Zukunft geschlossen und abgelehnt wird. Das Zeitreihendiagramm zeigt, wie sich diese Prognose für die Zukunft des Schadens im Laufe der Zeit verändert. In den ersten zwei Jahren nach der Genehmigung gibt es keine Belege für die Schließung des Antrags. Ab Anfang 2013 häufen sich jedoch die Belege, die für eine Schließung sprechen, leicht an, gefolgt von zwei starken Anstiegen im Februar 2014 und März 2015. Unsere erklärbare KI-Technologie zeigt uns, dass der erste Anstieg auf eine Änderung des Schadensstatus durch die Versicherung zurückzuführen ist, der zweite auf eine Aktualisierung in ICD-medizinische Codes auf der Grundlage der Anmerkungen des Prüfers angewendet. Dies veranschaulicht auch die kritische Rückkopplungsschleife zwischen Benutzern und KI-Technologie, wenn diese voneinander lernen. Der allmähliche Anstieg seit März 2015 ist in erster Linie auf die Zeit seit der Änderung des Antragsstatus (im Februar 2014) sowie auf medizinische Aktualisierungen in den Notizen der Prüfer zurückzuführen.

Entscheidend ist, dass EvolutionIQ aufgrund seines systematischen künstlichen Ansatzes, die Behauptung zu verstehen, sie 2016 zur Überprüfung und Schließung vorgemerkt hätte, wohingegen sie in fast drei weiteren Jahren nicht geschlossen wurde.

Letztlich bietet dieser Ansatz zur Analyse von Ansprüchen ein differenzierteres Verständnis des Schweregrads und kann Maßnahmen den Ergebnissen genauer zuordnen. Regel- oder merkmalsbasierte Systeme stützen sich häufig auf vordefinierte Korrelationen zwischen einer Aktivität oder Diagnose und dem Schweregrad. Wie wir im obigen Beispiel gesehen haben, wirken sich der Zeitpunkt und die Abfolge der Ereignisse im Lebenszyklus eines Schadens letztlich jedoch unterschiedlich auf den Schadensfall aus. Indem wir das Aktivitätsmuster eines Schadens mit den endgültigen Ergebnissen verknüpfen, können wir Schadensbearbeitern und Sachbearbeitern frühzeitig viele Einblicke geben, um ihren Arbeitsablauf zu priorisieren und zu optimieren.

Wenn Sie mehr darüber erfahren möchten, wie diese Technologie mit der einzigartigen Position Ihres Unternehmens zusammenhängt, Fordern Sie eine EvolutionIQ-Demo an.

‍