Databricks: BI chỉ cho thấy tỷ lệ bồi thường y tế (MLR) thay đổi, AI mới là lời giải cho nguyên nhân

Một CFO của một chương trình chăm sóc sức khỏe chốt sổ cuối tháng sau quy trình quen thuộc gồm trích xuất dữ liệu, bảng tính và đối soát thủ công, rồi nhận thấy các chỉ số tài chính không đạt ngân sách do tỷ lệ tổn thất y tế (MLR) cao hơn dự kiến. Một bảng điều khiển BI có thể nhanh chóng làm nổi bật sự chênh lệch này. Nhưng "MLR tăng" không thực sự là câu trả lời. Đó mới chỉ là khởi đầu của vấn đề.

Dòng kinh doanh hoặc thị trường nào đang thúc đẩy điều đó?

Chi phí yêu cầu bồi thường có tăng không, và nếu có, thì do mức độ sử dụng, chi phí đơn vị hay cơ cấu dịch vụ?

Có nhóm hoặc sản phẩm nào bị định giá sai không?

Tình trạng bệnh tật của nhóm dân cư có thay đổi không?

Và có thể thực hiện hành động khắc phục nào?

Cơ hội thực sự cho AI trong tài chính của bên chi trả (payer finance) không nằm ở việc xác định sự chênh lệch. Mà nằm ở việc hiểu rõ nguyên nhân gây ra nó và cách xử lý vấn đề đó.

Chuyển đổi AI trong tài chính dẫn đến ba thay đổi đồng thời. Câu trả lời đến trong vài phút thay vì cả chu kỳ báo cáo. Các nhà lãnh đạo có thể tự mình đi sâu vào chi tiết mà không cần báo cáo soạn sẵn hay phải chờ đợi chuyên viên phân tích. AI có thể nhìn xa hơn các yêu cầu bồi thường, doanh thu và thành viên để tiếp cận thông tin lâm sàng, các thước đo chất lượng và điểm rủi ro, đọc tất cả cùng lúc để đánh giá điều gì đang thúc đẩy sự chênh lệch.

Công việc đó chưa bao giờ khả thi khi chuyên môn về cả dữ liệu và lĩnh vực nghiệp vụ bị chia cắt. Thách thức lúc này trở thành việc liệu AI có đủ hiểu biết về dữ liệu và hoạt động kinh doanh của một chương trình chăm sóc sức khỏe để bộ phận tài chính tin tưởng và hành động dựa trên những thông tin chi tiết đó hay không.

Đó là nơi Databricks và Abacus kết hợp với nhau. Databricks cung cấp các khả năng về dữ liệu và AI cho phép các tổ chức tương tác với dữ liệu doanh nghiệp đã được quản trị theo những cách mới. Abacus mang đến nền tảng dữ liệu đặc thù cho bên chi trả, bối cảnh kinh doanh và kiến thức vận hành mà các khả năng đó cần khi các câu hỏi liên quan đến tài chính y tế.

Từ việc tìm ra thông tin chi tiết đến việc đặt câu hỏi tiếp theo

Trong nhiều năm, trí tuệ doanh nghiệp (BI) hoạt động bằng cách dự đoán những câu hỏi mà người dùng muốn đặt ra. Các nhóm xây dựng báo cáo. Chuyên viên phân tích tạo bảng điều khiển. Các giám đốc điều hành xem xét các chỉ số mà ai đó đã quyết định là cần thiết trên trang báo cáo.

Khi một con số thay đổi, việc tìm hiểu lý do đồng nghĩa với việc phải rời khỏi bảng điều khiển, tìm đúng chuyên viên phân tích hoặc nhóm để điều tra, rút thêm một báo cáo khác hoặc đối soát nhiều hệ thống ghi chép. Và mỗi câu trả lời lại để lại một vấn đề: một báo cáo khác cần chạy, một bảng điều khiển khác cần xây dựng và duy trì. Mỗi thứ đều đã lỗi thời vào thời điểm câu hỏi tiếp theo xuất hiện.

Thêm việc cho nhóm và hiệu quả giảm dần.

AI hội thoại (Conversational AI) thay đổi mô hình tương tác đó. Thay vì dừng lại ở những gì bảng điều khiển được thiết kế để hiển thị, một nhà lãnh đạo tài chính có thể đặt câu hỏi bằng ngôn ngữ tự nhiên, nhận câu trả lời và tiếp nối bằng một câu hỏi khác dựa trên những gì họ vừa biết. Trải nghiệm này bắt đầu giống với việc điều tra hoạt động kinh doanh hơn là điều hướng qua các báo cáo.

Điều thực sự phá vỡ rào cản chính là sự ngăn cách giữa hai loại chuyên môn. Giám đốc điều hành hiểu rõ công việc kinh doanh và chịu trách nhiệm ra quyết định nhưng không thể truy vấn dữ liệu; chuyên viên phân tích hiểu dữ liệu, nơi lưu trữ, cấu trúc, cách thao tác, nhưng không phải lúc nào cũng biết câu hỏi nào là quan trọng. AI xóa bỏ sự chuyển giao đó: người cần câu trả lời giờ đây có thể hỏi trực tiếp.

Nhưng chất lượng của cuộc hội thoại đó phụ thuộc vào những gì AI hiểu bên dưới.

AI cần nhiều hơn là quyền truy cập vào dữ liệu

Trong nhiều năm, vấn đề hiện đại hóa dữ liệu chủ yếu xoay quanh quyền truy cập: liệu chúng ta có thể tập hợp dữ liệu về yêu cầu bồi thường, thành viên, nhà cung cấp, hợp đồng, lâm sàng và tài chính để mọi người có thể sử dụng không? Điều đó vẫn rất cần thiết, nhưng AI bổ sung thêm một yêu cầu khác. Nó cần hiểu ý nghĩa của dữ liệu đó.

Hãy xem xét chỉ số MLR, phần doanh thu phí bảo hiểm chi cho chăm sóc y tế cho các thành viên của chương trình. Dễ định nghĩa, khó tính toán. Các yêu cầu bồi thường và phí bảo hiểm có cấu trúc và mốc thời gian khác nhau, và chi phí "y tế" thực sự là một tập hợp các thành phần, bao gồm yêu cầu bồi thường y tế, yêu cầu bồi thường và chiết khấu dược phẩm, chi phí phát sinh nhưng chưa báo cáo (IBNR), thu hồi tính toàn vẹn thanh toán, chuyển nhượng điều chỉnh rủi ro, quyết toán với nhà cung cấp, v.v. Sau đó, nó phải được phân tách theo dòng kinh doanh, thị trường hoặc sản phẩm, và việc xác định các nhóm đó đòi hỏi logic kinh doanh không bao giờ có sẵn.

Nếu không có bối cảnh đó, một hệ thống AI có thể truy cập vào lượng dữ liệu khổng lồ nhưng vẫn không tạo ra được những thông tin chi tiết thỏa đáng.

Phần lớn bối cảnh kinh doanh này theo truyền thống nằm ở những nơi khác nhau:

Để AI trả lời các câu hỏi tài chính một cách đáng tin cậy, nhiều bối cảnh hơn cần phải trở nên rõ ràng, nhất quán và có thể tái sử dụng.

Đó là lý do tại sao nền tảng dữ liệu đặc thù cho bên chi trả lại quan trọng. Dữ liệu chương trình chăm sóc sức khỏe không được sắp xếp gọn gàng xung quanh các câu hỏi mà các giám đốc điều hành muốn đặt ra. Thông tin về yêu cầu bồi thường, điều kiện tham gia, nhà cung cấp, hợp đồng, lâm sàng và tài chính đến từ các hệ thống khác nhau, định dạng khác nhau, với các mối quan hệ và thời điểm khác nhau. Trước khi AI có thể suy luận hiệu quả trên đó, dữ liệu phải được kết nối và tổ chức theo cách phản ánh cách thức vận hành của một chương trình chăm sóc sức khỏe.

Abacus cung cấp nền tảng đặc thù cho bên chi trả đó: tập hợp dữ liệu y tế vào một cấu trúc nhất quán và bổ sung bối cảnh kinh doanh cần thiết để hiểu mối quan hệ giữa thành viên, yêu cầu bồi thường, nhà cung cấp, hợp đồng, thông tin lâm sàng và các thước đo tài chính.

Ngay cả trên cùng một dữ liệu cơ sở, "cùng" một chỉ số thường được định nghĩa khác nhau tùy thuộc vào người tính toán. Một phiên bản nằm trong gói báo cáo hàng tháng của CFO, trong khi phiên bản khác xuất hiện trong một yêu cầu phân tích đột xuất, và cuối cùng ai đó phải đối soát chúng. AI không tự giải quyết vấn đề đó. Nếu không có các định nghĩa nhất quán, nó sẽ làm trầm trọng thêm vấn đề.

Đối với các nhà lãnh đạo tài chính, vấn đề không chỉ đơn giản là độ chính xác. Đó là sự tự tin rằng câu trả lời phản ánh cách thức vận hành của doanh nghiệp.

Các định nghĩa tương tự cho phép các nhóm tài chính, tính toán bảo hiểm và vận hành làm việc từ một cái nhìn nhất quán về hiệu suất cũng cung cấp cho AI bối cảnh cần thiết để diễn giải câu hỏi một cách chính xác. Mục tiêu không chỉ đơn giản là một nơi lưu trữ dữ liệu; mà là sự hiểu biết nhất quán về ý nghĩa của dữ liệu ở bất cứ nơi nào nó được sử dụng, cho dù một giám đốc điều hành đang hỏi theo cách hội thoại hay một chuyên viên phân tích đang tạo ra một báo cáo truyền thống.

Từ sự chênh lệch đến hành động

Quay lại với CFO. MLR vượt ngân sách. Ở đâu? Điều gì đang thúc đẩy nó? Những nhóm dân cư, dịch vụ hoặc nhà cung cấp nào chịu trách nhiệm cho sự thay đổi này? Và tổ chức nên làm gì tiếp theo?

Mỗi câu hỏi đòi hỏi nhiều bối cảnh hơn câu hỏi trước đó. Câu hỏi đầu tiên cần một thước đo tài chính và so sánh ngân sách. Câu hỏi thứ hai cần các thành phần bên dưới sự chênh lệch. Câu hỏi thứ ba kết nối dữ liệu yêu cầu bồi thường, thành viên, nhà cung cấp, hợp đồng và quản lý chăm sóc. Đến câu hỏi thứ tư, cuộc hội thoại đã chuyển từ báo cáo tài chính sang vận hành.

Đó là lý do tại sao cơ hội thực sự không phải là cách hiển thị KPI tốt hơn. Đó là một con đường kết nối từ tín hiệu của giám đốc điều hành đến các thao tác đi sâu vào vận hành, một con đường mà bộ phận tài chính có thể đi mà không cần liên tục chuyển vấn đề lại cho các chuyên viên phân tích để đối soát một bộ báo cáo hoặc điểm dữ liệu khác. AI không thay thế sự phán đoán về những gì tổ chức nên làm; nó rút ngắn khoảng cách giữa việc nhìn thấy sự thay đổi và hiểu đủ rõ để hành động. Không cần qua lại, mỗi lần lặp lại đều nhanh hơn, và sự lặp lại nhanh hơn làm tăng giá trị của chính quyết định đó: các hoạt động quản lý chăm sóc bắt đầu sớm hơn, các xu hướng mới nổi được định giá sớm hơn và hành động khắc phục xảy ra khi nó vẫn có thể thay đổi kết quả.

Một nền tảng trí tuệ cho bên chi trả, nhiều câu hỏi

MLR là một ví dụ hữu ích vì nó nằm ở điểm giao thoa giữa tài chính và vận hành, nhưng kiến trúc cơ bản không chỉ dành riêng cho MLR. Dữ liệu bên chi trả được kết nối và bối cảnh kinh doanh tương tự có thể hỗ trợ các câu hỏi về tính toàn vẹn thanh toán, tổng chi phí chăm sóc, điều chỉnh rủi ro, chất lượng và hiệu suất của nhà cung cấp.

Điều đó thay đổi cách các chương trình chăm sóc sức khỏe có thể suy nghĩ về đầu tư AI. Giải pháp thay thế là một tập hợp các trường hợp sử dụng AI rời rạc, mỗi trường hợp được xây dựng xung quanh dữ liệu riêng, định nghĩa riêng và quan điểm riêng về kinh doanh. Đó chính là sự phân mảnh mà các chương trình chăm sóc sức khỏe đã dành nhiều năm để loại bỏ, chỉ khác là có thêm giao diện AI ở trên.

Một nền tảng trí tuệ chung cho bên chi trả tạo ra một con đường khác: làm đúng dữ liệu cơ sở và bối cảnh ngay từ đầu, sau đó tái sử dụng khi các câu hỏi, quy trình làm việc và trải nghiệm AI mới xuất hiện.

Một chương trình chăm sóc sức khỏe đã kết nối và đưa dữ liệu vào bối cảnh trên các trường hợp sử dụng sẽ có lợi thế khi các câu hỏi mới phát sinh. Trên một nền tảng, AI có thể xem xét nhiều lĩnh vực cùng lúc thay vì từng lĩnh vực một. Hiệu suất kém hiếm khi do một biến số duy nhất, dù là bảo lãnh phát hành, quản lý chăm sóc, điều chỉnh rủi ro, chất lượng, mạng lưới hay sự tham gia của nhà cung cấp. Chính sự tương tác giữa chúng mới là điều quan trọng, nhưng câu hỏi đa diện đó rất khó trả lời hiện nay vì mỗi lĩnh vực nằm ở một nhóm và tập dữ liệu khác nhau.

Cách Databricks và Abacus làm việc cùng nhau

Databricks và Abacus giải quyết các phần khác nhau của vấn đề này. Databricks cung cấp các khả năng nền tảng dữ liệu và AI để quản trị dữ liệu doanh nghiệp và xây dựng các trải nghiệm phân tích dựa trên AI, bao gồm các trải nghiệm hội thoại cho phép người dùng doanh nghiệp đặt câu hỏi về dữ liệu tổ chức bằng ngôn ngữ tự nhiên.