每当一项新的技术进步进入某个行业，人们往往会倾向于将这个闪亮的新玩具视为解决该行业所有问题的灵丹妙药。AI在医疗保健领域的应用就是一个很好的例子。随着技术的不断进步，AI已经被用于药物开发、护理协调和报销等多个场景。AI在医疗保健领域的许多应用场景中，其表现远超目前任何可用的替代方案。然而，当前的AI技术仅在某些特定任务上表现出色，例如理解和处理大量数据以及基于明确规则做出判断。在其他情况下，特别是需要额外背景信息才能做出正确决策的情况下，AI并不适合。让我们来看一些具体的例子。
拒绝索赔和护理
无论是索赔还是护理，拒绝都是复杂的决策，而且这些决策过于重要，不能完全依赖AI来处理。在拒绝索赔或护理时，显然需要极其谨慎地进行道德考量，而根据当前AI的能力，这需要人类的参与。除了道德层面的因素外，当健康计划过度依赖AI做出拒绝决策时，也会面临风险。实际上，已经有健康计划因不当使用AI拒绝索赔而面临诉讼，诉讼指控这些计划未达到最低的医生审查要求，因为它们使用了AI替代人工审核。
依赖过去的决策
信任AI仅基于过去做出的决策来做出新决策有一个明显的缺陷：一个过去的错误决策会继续影响未来的决策。此外，由于指导AI的政策规则通常分布在不同的系统中，或者由人类不准确地编码，AI系统可能会采纳并延续这些不精确的理解。为了避免这种情况，组织需要创建一个单一的政策真相来源，以便AI可以参考和学习可靠的数据集。
基于遗留系统的构建
作为一种相对较新的技术，AI带来了无限的可能性，许多健康计划的数据科学团队急于通过利用现有企业平台中已集成的AI工具快速实现这一可能性。然而，医疗保健索赔流程非常复杂，而企业平台往往无法理解这些复杂性。将AI简单地叠加到这些遗留平台上，作为一个一刀切的解决方案（一个未能考虑所有影响索赔裁决的各种因素的解决方案），最终会导致混乱和不准确，而不是更高效的过程。
依赖旧数据
AI的最大优势之一是它在学习过程中越来越擅长执行任务，但这种学习只能在有持续反馈循环帮助AI了解其错误并相应调整的情况下发生。这种反馈不仅必须是持续的，还必须基于干净、准确的数据。毕竟，AI的质量取决于它所学习的数据。
AI在医疗保健中的有益应用
尽管AI在医疗保健领域的应用需要谨慎，但这并不意味着没有适合AI的应用场景。首先，医疗保健领域数据量庞大（考虑一个人的医疗记录可能有数千页），其中的数据模式可以告诉我们很多关于疾病诊断、正确裁决索赔等方面的信息。这是AI擅长的地方，它可以寻找模式并基于这些模式提出建议，供人类审核员跟进。
另一个AI擅长的领域是编目和吸收管理索赔支付的政策和规则。生成式AI（GenAI）可以将这些政策内容从各种格式转换为机器可读代码，从而在整个患者索赔中一致应用。GenAI还可以用于总结信息，并以易于阅读的格式展示给人工审核员。
所有这些应用场景的关键在于，AI被用作人类监督者的辅助工具，而不是独自运行。只要组织在实施AI时牢记这一点，它们就有机会在这个由AI改变的医疗保健时代取得成功。
(全文结束)
