Comprendre le calendrier des réclamations d'assurance pour prédire les résultats futurs grâce à l'IA

Comment pouvons-nous nous attendre à ce que les examinateurs prennent des décisions cohérentes, justes et précises alors que leur expérience se limite à un petit sous-ensemble des demandes qu'ils ont personnellement examinées ?

Les industries à la pointe de la technologie bénéficient des partenariats homme-machine, qui contribuent à une prise de décision plus efficace, plus rapide et plus précise en présentant toutes les leçons clés du passé aux professionnels chargés de prendre les décisions finales. Chez EvolutionIQ, nous apportons cet avenir à l'assurance en établissant des partenariats avec des experts en sinistres, des gestionnaires et des responsables des sinistres afin de transmettre les leçons les plus importantes apprises au cours de l'ensemble de l'expérience organisationnelle à l'expert ou à l'examinateur chargé du dossier de réclamation le plus pertinent.

Afin de fournir les informations clés au bon moment, nos algorithmes d'apprentissage basés sur l'IA imitent la façon dont les examinateurs identifient les meilleures pratiques et l'évolution du processus de réclamation au fil des années, voire des décennies, lors de leurs examens. Par exemple, les examinateurs apprennent à reconnaître un langage et des modèles spécifiques dans les notes des infirmières et des médecins et à reconnaître la manière dont les demandeurs interagissent avec la compagnie d'assurance. Ces connaissances et cette expérience permettent aux examinateurs de savoir quoi faire lorsqu'ils examinent une nouvelle demande. Ainsi, si l'IA peut détecter des modèles similaires et même en découvrir de nouveaux, elle peut aider les examinateurs dans leur travail.

Les données relatives aux sinistres d'assurance posent des défis uniques aux algorithmes d'IA pour deux raisons principales :

1. la majorité des données sont dans un format non structuré, y compris les notes de l'examinateur et la correspondance, et
2. l'importance de comprendre les données d'une série chronologique de mois, voire d'années, pendant lesquelles une réclamation peut rester ouverte.

Par exemple, dans l'illustration ci-dessous, le demandeur a reçu un diagnostic initial. L'examinateur a ensuite laissé un message vocal au demandeur et a ensuite ordonné un examen professionnel complet. La séquence s'est poursuivie lorsque l'examinateur a ordonné un examen médical récent qui a fourni un diagnostic et un pronostic actualisés. Sur la base de ces informations, l'examinateur doit décider si les informations présentées soutiennent les prestations d'invalidité continues.

En savoir plus sur les réclamations : version humaine

À titre d'illustration, supposons que l'examinateur conclut que le demandeur peut retourner au travail sur la base de l'évaluation professionnelle et de la dernière mise à jour médicale. Il envoie donc une lettre pour clore la demande. Ainsi, l'examinateur décide, sur la base de l'expérience, que la note du médecin la plus récente l'emporte sur le diagnostic précédent. Le fait que l'examinateur ait laissé un message vocal n'a pas permis de déterminer la validité d'une invalidité continue.

Une fois que les examinateurs ont examiné toutes les informations historiques d'une réclamation, ils les résument d'une manière utile pour prédire l'avenir et éclairer les décisions : un algorithme d'apprentissage. Ils ne se contentent pas de répéter toutes les informations historiques, mais les réduisent aux faits critiques qui ont eu un impact sur la manière dont ils souhaitent traiter la réclamation.

En savoir plus sur les réclamations : version automatique

L'intelligence artificielle peut apprendre les mêmes informations, mais pas à partir du même plan de cours.

Les modèles d'apprentissage automatique de séries chronologiques ou de séquences se comportent de la même manière que leurs homologues humains, mais capitalisent sur un plus grand nombre de points de données. Essentiellement, ils prennent en compte l'ensemble des événements passés et présents et s'en servent pour prédire l'avenir avec plus de précision. En effet, l'IA détermine quels modèles sont utiles et lesquels ne le sont pas, puis s'appuie sur la plus grande valeur prédictive des données les plus utiles pour établir des prévisions plus précises.

Plus formellement, EvolutionIQ vise à en savoir plus sur la capacité future de RTW à partir des données relatives aux réclamations passées et présentes :

Un algorithme de machine learning essaie d'apprendre cela sous la forme d'une fonction qui associe les données relatives aux réclamations à un score de probabilité) pour chaque réclamation à un moment donné.

f (données relatives aux réclamations passées et présentes) → score

Dans l'exemple ci-dessus, les examinateurs peuvent se fier à leur expérience pour savoir quel sous-ensemble d'informations était important pour prédire l'avenir (évaluation des composés organiques volatils, dernier examen médical) et quel sous-ensemble était susceptible d'être ignoré en toute sécurité (messagerie vocale, diagnostic obsolète). Cette « expérience » est exactement ce que les données historiques relatives aux réclamations peuvent enseigner aux algorithmes de machine learning. Chez EvolutionIQ, nous utilisons des modèles de séquences, tels que des réseaux neuronaux récurrents ou des modèles de mémoire à long terme, pour apprendre des modèles dynamiques importants qui peuvent atteindre des performances de prévision de pointe.

Exemple de Live Claim expliqué à l'aide de l'IA

D'un autre côté, EvolutionIQ investit également massivement dans IA explicable afin d'éviter les pièges des solutions dites « boîte noire ». Nous voulons que nos clients comprennent la prise de décision qui sous-tend ces algorithmes. À titre d'exemple concret, prenons la réclamation ci-dessous, qui a été ouverte en janvier 2011 et a finalement été clôturée en mars 2018. L'axe Y représente la prédiction de notre IA concernant la probabilité qu'une réclamation soit clôturée et rejetée dans un avenir proche. Le graphique chronologique montre l'évolution de l'évolution de cette prévision de l'avenir de la réclamation au fil du temps. Au cours des deux premières années suivant l'approbation, il n'existe aucune preuve à l'appui de la clôture de la demande. À partir du début de 2013, toutefois, les preuves à l'appui de la fermeture commencent à augmenter légèrement, suivies de deux fortes hausses en février 2014 et mars 2015. Notre technologie d'IA explicable nous indique que le premier saut peut être attribué à un changement de statut du sinistre par l'assurance, le second à une mise à jour de Codes médicaux ICD appliqué sur la base des notes de l'examinateur. Cela illustre également la boucle de rétroaction critique entre les utilisateurs et la technologie d'IA au fur et à mesure qu'ils apprennent les uns des autres. Les augmentations graduelles après mars 2015 sont principalement attribuables à la période qui s'est écoulée depuis que l'état de la demande a changé (en février 2014) ainsi qu'aux mises à jour médicales figurant dans les notes de l'examinateur.

Il est crucial que l'approche artificielle systématique d'EvolutionIQ pour comprendre la réclamation ait été signalée pour examen et clôture en 2016, alors qu'elle n'a pas été clôturée pendant près de 3 ans de plus.

En fin de compte, cette approche d'analyse des sinistres fournit une compréhension plus nuancée de la gravité et permet de faire correspondre plus précisément les actions aux résultats. Les systèmes basés sur des règles ou des fonctionnalités s'appuient souvent sur des corrélations prédéfinies entre une activité ou un diagnostic et la gravité. Comme nous l'avons vu dans l'exemple ci-dessus, le calendrier et la séquence des événements du cycle de vie d'une réclamation ont en fin de compte un impact différent sur celle-ci. En liant le schéma d'activité d'un sinistre aux résultats finaux, nous pouvons donner aux gestionnaires de sinistres et aux experts en sinistres de nombreuses informations précoces leur permettant de hiérarchiser et de rationaliser leur flux de travail.

Si vous souhaitez en savoir plus sur la façon dont cette technologie est liée à la position unique de votre entreprise, demander une démo d'EvolutionIQ.

‍