AI技术可以解锁以前无法访问的数据，实现前所未有的消费者参与和个性化，从而提升医疗保健业务成果。在快速变化的医疗保健领域，AI有潜力重塑消费者如何与医疗服务互动。如今，美国的消费者在寻找合适的保险覆盖、了解何时看医生、费用是多少以及如何管理健康等方面可能会遇到困难。许多人会花数小时研究、咨询朋友和家人，以及联系提供者和支付方来寻找答案。事实上，我们调查的四分之一消费者表示，他们在需要时无法获得所需的护理。要解决复杂的医疗保健生态系统中的问题，仅靠增加人力参与是不够的，特别是在劳动力短缺和护理成本增加的情况下。这时，AI技术应运而生：它有潜力重新想象消费者体验（CX），并以几年前不可能的方式增强参与度。它可以促进个性化护理，提高透明度和简便性，确保消费者能够控制自己的健康和医疗决策。最近的一项研究表明，医疗专业人士在评估患者在社交媒体论坛上提出的问题时，更倾向于AI生成的回复，认为这些回复质量更高且更具同理心。好消息是，医疗保健行业认识到AI在CX中的机会。麦肯锡对医疗保健领导者的调查显示，62%的受访者认为消费者参与和体验是生成式AI（gen AI）最具潜力的领域。然而，只有29%的受访者已经开始在其组织中实施gen AI。那些使用AI根据个人需求、偏好和目标定制医疗体验，同时减轻潜在风险的组织，有可能从与消费者的更信任关系中受益。采用最新技术，包括AI，还可以改善业务成果：据麦肯锡与美国国家经济研究局合作进行的一项研究估计，净节省可能达到医疗保健支出的5%至10%，具体百分比因私营和公共支付方、医师团体和医院而异。
为什么现在是医疗保健消费者利用AI的好时机
成功的AI应用需要数据，而医疗保健行业拥有大量数据供AI工具挖掘——全球约30%的数据由医疗保健行业产生。预计到2025年，医疗保健行业的数据复合年增长率将达到36%。医疗保健组织还具有更多消费者愿意分享其个人健康相关信息的优势，以支持他们的健康，相比之下，雇主、政府或科技公司在这方面做得较少。然而，医疗保健行业在采用数字技术方面通常落后于其他行业。过去，除了患者隐私问题（这是最重要的问题）外，利用AI的主要技术挑战是无法从非结构化数据中提取有价值的信息，并为高度可变的消费者旅程策划体验。就像其他行业一样，数据分散在多个系统中，虽然医疗保健行业已经使用了一些结构化数据进行AI分析，但在处理非结构化数据源（如通话记录）方面收效甚微。现在，生成式AI可以帮助释放以前无法使用的数据源中的关键消费者信息，并使其适用于更广泛的AI用途，从而提供前所未有的大规模定制能力。
AI如何简化整个医疗保健旅程 如何加速AI的应用以提升消费者满意度
尽管AI有潜力改善端到端的消费者医疗保健旅程，但进展缓慢。组织在迅速抓住机会的兴奋与缺乏启动方向的一致性之间陷入困境，同时对部署AI的潜在风险保持谨慎。为了加快AI的应用，以升级消费者体验，我们提出了五个关键步骤。
解决70%的数据准备问题
首先，高管需要考虑其组织的数据和技术准备情况，然后再分配资源和资金。通过AI为医疗保健消费者提供切实价值需要集成的数据，这是一项艰巨的任务，平均占开发基于AI的解决方案工作的70%。对于医疗保健行业来说，挑战在于知道要收集哪些数据以及如何连接这些数据来源；数据分散在多个平台和不同格式及实用性水平上（例如，在本地托管的索赔或电子健康记录、在云平台上托管的营销信息以及分散在多个系统的呼叫中心信息）。尽管医疗保健组织在数据量方面可能比其他行业更有优势，但它们仍然面临阻碍全面了解消费者的缺口。例如，护理连续性的中断使得难以全面了解患者的需求、习惯和偏好。除非基于人口多样化的数据构建，否则AI输出可能会存在偏差。为了获得有意义的见解，组织可以补充其临床和患者数据，包括社会决定因素、患者报告的结果、零售购买和健康追踪器等信息。
确定消费者体验优先事项以确保AI成功
在评估数据准备情况的同时，领导者可以根据对整体优先事项、机会、策略和可行性的重要性来评估和优先考虑AI投资领域。例如，AI可以优化行政流程，减少消费者接触点，从而降低服务成本。对于提供者而言，这可能意味着由于整体体验更好而减少取消预约的情况，而对于支付方而言，这可能导致减少关于福利或覆盖范围的后续电话。这是避免一次做太多事情的关键步骤，因为这会限制有意义的进展。为了确定关注的重点领域，必须让组织内的跨职能领导者参与进来。例如，临床领导特别了解患者的痛点以及护理交付和CX中到底哪里出了问题。
优化实时洞察以实现AI驱动的干预
一旦建立了数据基础并设定了优先事项，组织就可以开始确定还需要什么来正确地上下文化收集到的数据。真正个性化的AI驱动洞察涉及将多个数据源中的多个触点串联起来，形成个性化的消费者旅程。通过结合有关医生就诊（频率、看过的医生类型或预约地点）、患者外展努力以及患者互动和体验的详细信息，AI模型可以更准确地代表消费者行为，这对于构建预测分析以指导未来的干预措施至关重要。通过分析患者的预约偏好以及他们如何或何时响应外展，AI可以调整时间、频率和消息主题，以提供最有可能引起共鸣的建议。生成式AI可以通过超个性化的消息内容进一步增强这些定时干预的有效性。
绘制医疗保健中的AI风险并制定缓解计划
与其他行业相比，医疗保健领导者面临着独特的挑战，包括同意要求、隐私风险、潜在的健康影响和监管监督。虽然在成员注册或预约安排期间建立的同意机制允许组织使用某些消费者数据，但消费者没有简单的方法来审查或调整这些同意。他们应该不仅在签署新的同意书时了解数据使用情况，还应该了解之前提供的同意书的隐私政策变更，并附有明确的退出说明。除了数据使用透明度，组织还可以建立以AI使用和算法透明度为核心的治理流程。他们可以向消费者提供AI系统的明确日志和文档，包括偏见缓解策略和培训协议，如所用的人口概况详情。随着消费者期望像其他行业一样朝着更容易访问和控制其数据的方向转变——例如，一些公司允许客户决定哪些购买用于训练ML推荐模型——医疗保健组织将面临更大的压力来做到这一点。此外，迅速发展的AI特定法规使已经复杂的患者隐私环境更加复杂。卫生与公众服务部的AI工作组正在制定政策，以保护患者作为白宫AI安全行政命令的一部分。最后，更成熟、集成的数据存储库可能会成为网络攻击的宝贵目标。2023年打破了医疗保健数据泄露的记录，记录了725起500条或以上记录的泄露事件，比2017年报告的数量多出一倍以上。
提升团队的AI能力
从长远来看，提供者组织和支付方将不得不投资于其能力和人才，以充分抓住AI的机会。他们必须仔细平衡现有人才的技能提升和AI特定技能的招聘，然后组织战术团队来执行选定的计划。与第三方AI供应商合作也是一个选项，可能会让组织快速行动。提高AI实施成功可能性的一种方法是采用协同驾驶模式，员工与AI工具一起工作，逐步改进流程。这利用了AI的速度和容量，同时通过人类技能和直觉的检查和平衡来减轻错误和风险。重要的是，这一过程包括在一小部分用户中进行能力测试和学习收集，然后再在整个企业中扩展。这种测试和学习的策略可以降低扩展的风险，并衡量现有工作流程中的影响和采用情况。今天，与医疗保健生态系统的互动往往笨拙且缺乏消费者期望的个性化。AI有潜力通过实现以消费者为中心来重塑医疗保健旅程。构建成功的可扩展AI解决方案需要迭代方法、定义明确的受控启动策略，以及如何与现有和重新设想的工作流程集成的明确计划，以及关键绩效指标以放大有效的地方。高管的承诺也是捕捉飞轮效应的关键。尽管推动这场革命需要有针对性的投资、数据进步和风险管理，但我们预计这些努力将会取得回报。医疗保健AI的实施不仅可以惠及组织的底线，还可以惠及运营和行政功能，而消费者可以更好地掌控自己的健康和福祉旅程，享受更好的整体健康状况。
(全文结束)
