美国参议院于10月发布的一项调查结果描述了医疗保险优势计划中令人担忧的趋势。根据常设调查小组委员会的报告，一些保险公司越来越多地拒绝老年人的后期急性护理，并经常依赖人工智能和机器学习等技术来辅助决策。
从我的角度来看，这些拒绝表明，如果技术管理不当，可能会导致无意的伤害。作为一家专注于预先授权的公司创始人，我亲眼目睹了无意的偏见如何渗入系统，甚至善意的人工智能也可能产生偏差的结果。基于我的经验，我概述了一种健康计划可以采用的主动方法，以确保其决策过程的合规性和公平性。
预防偏见框架：主动监督的路径
为了避免使用人工智能系统进行预先授权时可能出现的问题，健康计划需要采取主动和有目的的措施。这不仅仅是采用技术，而是要不断监控、审计和改进技术，以服务于患者护理。以下是整合内部审计、跨职能协作和适应性措施的框架，以防止偏见并提供高质量的护理。
1. 进行回顾性感染检查以识别偏见
预防偏见的第一步是对现有系统和决策过程进行回顾性审计。这种“感染检查”涉及审查过去的决策，以识别偏见模式，特别是在被拒绝的索赔中。认识到即使出于善意，人工智能也可能无意中优化拒绝而不是患者护理是非常重要的。
例如，参议院报告指出的一个问题是，本应从一开始就批准的康复服务却被拒绝了。主动跟踪拒绝模式可以帮助发现人工智能系统中的这种偏见。定期审查康复服务的拒绝率和上诉成功率等指标。如果模式显示某一类护理被不成比例地拒绝，内部审计可以帮助识别和纠正偏见。
2. 跟踪您的指标：成为自己的审计员
参议院调查指出未能捕捉到有害的拒绝模式，这强调了监控关键绩效指标的重要性。为了避免这种情况，计划必须定期进行审计，不仅关注成本效率，还关注患者结果、特定服务的拒绝率和人口统计差异。
考虑健康的社会决定因素至关重要。对于来自服务不足社区的患者，社会因素直接影响健康结果。忽略这些因素的人工智能算法可能导致低收入和少数族裔人群的不成比例拒绝。定期跟踪各个人口群体的批准与上诉比率可以帮助早期发现这些问题。
跟踪您的指标也很重要，因为同一类护理（如后期急性护理）有不同的费率。这可能基于多个因素，风险调整数据验证审计通常可以揭示这一点。例如，引用MedPAC报告，参议院调查称，“2022年，30天家庭健康访问的平均费用约为1,907美元，而熟练护理设施入住的平均费用约为14,650.64美元。”
风险评分计算中的错误可能导致错误支付，并暴露出编码准确性方面的内部审计不足。根据医疗保险和医疗补助服务中心的分层条件类别编码和RADV要求审查索赔，可以帮助在昂贵的审计前发现差异。建立常规的内部审计，重点关注按护理类型划分的拒绝率和拒绝后的患者结果。如果您的组织较大，可以考虑将一些审计外包给外部专家，以获得新的视角。无论怎样，都要将审计作为运营的重要部分，以确保在问题变成昂贵错误之前及时发现。
3. 创建跨职能特别工作组
当不同的团队——临床、合规、法律和技术——各自为战时，偏见往往会在系统中潜入。缺乏合作会导致关键见解被遗漏，潜在问题可能直到积重难返才被解决。计划提供者需要组建跨职能特别工作组，汇集关键团队审查拒绝决定、审计人工智能模型并确保所有系统与患者护理优先事项和监管要求保持一致。
参议院调查建议，一些计划可能未能及早涉及合适的人选。例如，它指出某些计划可能给予第三方承包商“更大的自主权，排除人类参与决策过程”。
通过联合临床专家、合规官员和技术团队，可以主动识别和减轻错误。例如，临床团队可以审查物理治疗的拒绝索赔，而合规团队确保编码实践符合CMS指南。建立一个由临床、合规、法律和技术团队代表组成的特别工作组，设定明确的时间节点来审查索赔数据和审计人工智能性能。这种协作方法将确保所有观点都被考虑，系统性偏见得到解决。
4. 考虑人为因素
尽管技术发挥着重要作用，但强调“人在环路”决策的重要性是必不可少的。最复杂的算法如果没有适当的监督，仍然可能失败。意图和注意力必须一致；没有仔细的人为干预，善意的人工智能系统可能会无意中延续偏见。定期培训和与临床工作人员互动以评估人工智能输出，可以强化人为判断的重要性。
拥抱医疗保险优势的新范式
随着医疗保险优势计划在日益复杂的技术和患者护理环境中导航，它们必须放弃应对问题的被动方法。相反，它们应该采取主动的心态，将偏见不仅视为系统中的缺陷，而是设计上的根本挑战。
通过实施这一预防偏见框架，健康计划可以创造一种持续改进的文化，不仅满足监管需求，而且重塑这些需求。这一转变可以防范人工智能带来的意外后果，同时提高护理标准。最终，优先考虑意图和注意力的组织不仅可以提升会员体验，还可以为道德医疗保健树立新的标杆。认识到即使是善意的系统也可能导致意外伤害，将是驾驭这一复杂领域的关键。旅程通向公平和有效的患者护理始于承认我们必须不断学习、适应和创新。
(全文结束)
