Το αύριο στην υγειονομική περίθαλψη: αλγόριθμοι και τεχνητή νοημοσύνη

Χρόνος ανάγνωσης
less than
1 minute
Read so far

Το αύριο στην υγειονομική περίθαλψη: αλγόριθμοι και τεχνητή νοημοσύνη

Αύγουστος 10, 2018
Από: journalist
Τελευταία ενημέρωση: 5 έτη πριν

Η αλλαγή της υγειονομικής περίθαλψης έχει αναπτύξει μια νέα λύση που χρησιμοποιεί και επιστήμες συμπεριφοράς για να εντοπίζει με ακρίβεια και να συνδυάζει τους σωστούς ανθρώπους με τα ιατρικά οφέλη που τους αρμόζει.

Στο σύστημα υγειονομικής περίθαλψης των ΗΠΑ για κερδοσκοπικούς σκοπούς, δημιουργείται ένα αίνιγμα, το οποίο παρουσιάζει μια πολύπλοκη πρόκληση, καθώς τα προγράμματα υγείας εγγράφουν δικαιούχους που καλύπτονται από το Medicare και το Medicaid. Αυτοί οι άνθρωποι είναι γνωστοί ως επιλέξιμοι δικαιούχοι.

Το ποσοστό των ατόμων που είναι δικαιούχοι του Medicare και τα οποία είναι επίσης εγγεγραμμένα στο Medicaid ποικίλλει ανά πάσα στιγμή, αλλά διαχέεται σε αρκετά εκατομμύρια ανθρώπους. Το Medicare είναι ένα εθνικό πρόγραμμα ασφάλισης υγείας , το οποίο διαχειρίζεται τα Κέντρα Παροχής Υπηρεσιών Medicaid και Medicare της ομοσπονδιακής κυβέρνησης των ΗΠΑ. Παρέχει ασφάλιση υγείας για Αμερικανούς ηλικίας 65 ετών και άνω που έχουν εργαστεί και καταβληθεί στο σύστημα μέσω του φόρου μισθωτών υπηρεσιών.

To Medicaid είναι ένα κοινό ομοσπονδιακό και κρατικό πρόγραμμα που βοηθά με το ιατρικό κόστος ορισμένους ανθρώπους με περιορισμένο εισόδημα και πόρους. Μια κοινή ανησυχία με το διπλό σύστημα επιλέξιμων δικαιούχων είναι συχνά μια σύγχυση και ένα ψήφισμα απαιτεί μεγαλύτερη διαφάνεια, όπως η διπλή πληροφορία στις ιατρικές πηγές Medicare και τις κρατικές πηγές πληροφόρησης των καταναλωτών.

Η νέα εξέλιξη προσφέρει μια λύση σε αυτήν την πρόκληση και αποτελεί συνέχεια από προγράμματα που εξετάζουν τις δυνατότητες τεχνητής νοημοσύνης στην υγειονομική περίθαλψη. Μια μεγάλη ανησυχία με τις προηγούμενες προσεγγίσεις που επικεντρώνονται στις λύσεις τεχνητής νοημοσύνης για την υγειονομική περίθαλψη οφείλεται στην έλλειψη αλληλεπίδρασης μεταξύ ατόμων, κάτι που μπορεί να διώξει μακριά ορισμένους καταναλωτές υγειονομικής περίθαλψης

Η αλλαγή της υγειονομικής περίθαλψης, η εταιρεία τεχνολογίας υγείας, έχει καταλήξει σε μια λύση σχεδιασμένη για να αντιμετωπίσει το ζήτημα των διπλωματικών δικαιούχων και να βελτιώσει τις αδυναμίες με προηγούμενες επαναλήψεις τεχνητής νοημοσύνης.

Η νέα πλατφόρμα, που ονομάζεται Dual Enrollment Advocate , έχει σχεδιαστεί ως λύση για την επίλυση τέτοιων δύσκολων και χρονοβόρων προκλήσεων στην υγειονομική περίθαλψη των ΗΠΑ. Ο κύριος στόχος είναι με τον τρόπο με τον οποίο μπορεί να προσδιοριστεί με ακρίβεια και να συνδυαστούν οι κατάλληλοι άνθρωποι με τα ιατρικά οφέλη που δικαιούνται.

Για να βρεθούν οι σωστές απαντήσεις, η πλατφόρμα χρησιμοποιεί τεχνητή νοημοσύνη για να επεξεργαστεί δεδομένα και μηχανική μάθηση για την ερμηνεία των δεδομένων. Η εισαγωγή στοιχείων αφορά τα μέλη του ασφαλιστικού συστήματος και αποτελείται από περίπου είκοσι εισροές. Το αποτέλεσμα είναι ότι ο Εισαγγελέας Αλλαγής της Υγείας για Διπλή Εισδοχή, μέσω της χρήσης της τεχνητής νοημοσύνης, μπορεί να εντοπίσει, με ακρίβεια έως και 93%, τα άτομα με την υψηλότερη πιθανότητα να τύχουν πλήρους ή μερικής διπλής επιλεξιμότητας. Αυτό σημαίνει ότι τα σχέδια Medicare Advantage θα πρέπει να είναι σε θέση να εμπλακούν πιο γρήγορα με αυτόν τον πληθυσμό και πιθανώς να εγγραφούν περισσότερα από αυτά ταχύτερα.

Σύμφωνα με τον Keith Roberts , αντιπρόεδρο, δέσμευση, αλλαγή της υγειονομικής περίθαλψης: «Εφαρμόζουμε επιστήμη δεδομένων, επιστήμη συμπεριφοράς και σχεδιασμό εμπειρίας καταναλωτών για να λύσουμε ένα από τα πιο δύσκολα προβλήματα για τα σχέδια Medicare Advantage».

Προσθέτει: "Η μηχανική μάθηση δεν μπορεί να το κάνει μόνη της. Η επιστήμη της συμπεριφοράς δεν μπορεί να το κάνει μόνη της. Και τα σχέδια υγείας και τα κληροδοτημένα συστήματα δεν μπορούν να πράξουν κατά μόνας. Έχει έρθει η ώρα να φέρουμε μαζί αυτές τις τεχνολογίες της πληροφορικής και των επιστημονικών κλάδων της ιατρικής περίθαλψης για να βοηθήσουμε στην επίλυση μιας κρίσιμης επιχειρηματικής πρόκλησης για τους πελάτες μας ".

Πηγή: HealthWeb