“Kita bisa memprediksi, untuk setiap anggota, untuk setiap hari, apakah mereka mengalami situasi kerawanan pangan, apakah mereka memiliki masalah transportasi? Apakah mereka memiliki tantangan keamanan? Apakah mereka memiliki tekanan keuangan?” kata Kierner. “Kami menggunakan ini untuk mengelola perawatan mereka secara aktif.”
Dari perawatan reaktif ke perawatan proaktif
Kierner percaya pendekatan semacam itu sejajar dengan pola masyarakat yang lebih luas yang hanya sedikit orang yang menyadarinya dalam kehidupan sehari-hari mereka. Misalnya, dia memilih anekdot terjebak di elevate. Ini sangat jarang—dan itu karena banyak elevate sekarang mengirim knowledge ke operator mereka untuk memprediksi kapan pemeliharaan diperlukan dengan baik sebelum terjadi kesalahan. “Hal yang sama dapat dilakukan dalam perawatan kesehatan,” kata Kierner. Ini bertukar reaktif merawat proaktif peduli.
Pikirkan hal ini untuk, katakanlah, obat-obatan. Dengan menggunakan kumpulan indikator utama dari kumpulan knowledge terpusatnya, mannequin pembelajaran mesin Humana dapat memprediksi pasien mana yang kemungkinan tidak akan memenuhi resep mereka, lalu meminta spesialis perawatan untuk melakukan panggilan telepon atau mengirim teks yang dengan lembut mengingatkan mereka untuk melakukannya. Bahkan metodologi penjangkauan yang paling efektif pun dapat diprediksi dengan mannequin seperti itu. Dalam kasus lain, mungkin dokter perawatan primer pasien diberitahu. Di sebuah reaktif mannequin perawatan, intervensi sulit, jika bukan tidak mungkin, untuk maju. Lagi pula, pasien jauh lebih mungkin berakhir di ruang gawat darurat yang mahal ketika penyakit seperti hipertensi tidak ditangani dengan benar. Kuncinya adalah mendahuluinya.
Kedengarannya utopis—dan dalam banyak hal bisa jadi begitu. Tapi jebakan kritis untuk kasus penggunaan pembelajaran mesin di semua industri adalah konsep kesetaraan: menghapus bias manusia dari proses pengembangan mannequin. Knowledge mungkin tidak berbohong, tetapi algoritme pembelajaran mesin hanya tidak bias seperti manusia yang melatihnya. Jika seorang ilmuwan knowledge secara tidak sengaja mengajarkan suatu algoritme untuk menjadi bias, itu akan terjadi — dan hasilnya bisa menjadi bencana. Dalam mannequin perawatan proaktif dan prediktif, bias yang tidak disengaja dapat membuat seluruh komunitas tidak terlihat. Seperti dalam semua hal AI, pengembangan etis dan inklusif adalah pembeda antara kesuksesan dan kegagalan.
Humana memiliki pandangan jauh ke depan untuk merencanakan hal ini, membentuk tim yang berfokus pada tata kelola—memastikan bahwa perlakuan yang tepat dan berbagai pilihan ditawarkan kepada semua pelanggannya, terlepas dari ras, usia, atau jenis kelamin. Organisasi ini sangat berkomitmen terhadap transparansi bahkan menggabungkan prinsip-prinsip AI-nya dan menerbitkannya untuk konsumsi publik. Namun, penggunaan AI merupakan tantangan unik dalam perawatan kesehatan; dalam industri keuangan, misalnya, tim khusus harus terus memantau terhadap diskriminasi usia atau gender. Namun dalam perawatan kesehatan, usia, ras, dan jenis kelamin semuanya dapat menjadi faktor penting dalam rencana pencegahan atau pengobatan. Wanita dengan usia tertentu harus menerima skrining kanker payudara secara rutin. Pria perlu memeriksakan prostat mereka. Daftarnya terus berlanjut, tetapi memprioritaskan pemerataan kesehatan melalui sistem pembelajaran mesin—sebuah tujuan utama Humana—sambil tetap memasukkan knowledge penting dan sensitif adalah keseimbangan yang sulit dicapai.
“Umur dapat meningkatkan kemungkinan Anda terkena penyakit tertentu,” tambah Kierner. “Kami perlu memiliki informasi itu dalam mannequin kami agar akurat. Jadi Anda tidak bisa membuangnya begitu saja. Tetapi kami dapat melakukan pengujian yang tepat, dan kami memiliki tim yang tepat untuk memeriksanya. Kami telah berinvestasi dalam teknologi, proses, dan orang-orang untuk memastikan bahwa apa pun yang direkomendasikan oleh algoritme kami selalu adil dan etis.”
Dalam jangka panjang, Humana melihat penggunaan knowledge, kecerdasan buatan, dan pembelajaran mesin sebagai cara untuk mengelola kesehatan komunitas terdaftarnya yang terus berkembang. Sudah terlalu lama, pembayar mengambil pendekatan lepas tangan, puas melakukan bisnis seperti biasa. Humana melangkah lebih dulu ke standar perawatan baru, yang mengakui bahwa transparansi dan strategi dapat membantu orang mendapatkan perawatan yang mereka butuhkan.
Dan dalam prosesnya, ini membantu dunia memahami apa artinya menjadi lebih sehat.
Cerita ini diproduksi oleh WIRED Model Lab untuk Boston Consulting Group.
New Replace : [randomize]