的一个主要目标努力提高医疗保健的质量在美国是减少护理的变化,一些病人在哪里治疗最佳而其他人错过最好的药。这是一个主要原因集中于人口健康,近几十年来,催生了护理实践中使用的标准在今天诊所和医院。明显的改善,但在2015年,我们可以做得更好,认为科林•希尔董事长首席执行官和创始人之一GNS医疗。“人口的总个人组成一个整体,但个别人口在哪里?”希尔问与会者研究所2015年的年会美国的健康保险计划。“我来告诉您在哪儿,个人失踪,”他说。希尔引用一些数据在标准治疗的功效众所周知的条件。
- 40%的哮喘患者不应对任何fda批准的药物。
- 50%的关节炎患者不应对任何fda批准的药物。
- 75%的癌症患者不应对任何fda批准的药物。
类似的数据可以看到其他类型的干预措施:设备、保健管理计划,手术,希尔说。“一半的干预,我们今天在这个国家不工作申请他们用于病人。所以我问你:“是标准治疗失败的我们吗?”希尔认为,我们当然是成本总计5000亿美元的年度支出不帮助人们获得更好的干预措施。希尔呼吁一个智能系统,利用了大量的数据和新的机器学习能力优化治疗,减少浪费和提高结果为早产预测风险,住院、治疗疗效和更多。机器学习涉及使用算法来学习和使数据驱动的预测或决策,希尔说。为了说明这一点,他走通过层层分析,从最基本的类型的问题:
- 发生了什么事?在医疗保健环境中,这个问题可能涉及保险公司看支出的一个子集糖尿病患者发现成本还在不断上涨。
- 为什么会这样?挖掘数据,健康计划可以识别的基本驱动更高的成本。
- 如果这些趋势继续下去呢?基于现有的轨迹,数据可用于预测未来的支出。
- 接下来会发生什么?这种级别的分析可能涉及看还有谁患糖尿病的风险,然后基于这些假设成本情况。
在所有这些问题有价值,但希尔认为下一步——机器学习——是真正的机会所在。“机器学习所能做的不仅仅是预测未来,因为预测未来的目的是什么,如果你不能改变它吗?“突破因果推理和理解的机制允许医疗保险公司尝试修改场景。考虑一组病人和所有知道——年龄、人口、健康历史,所需的所有因素理解病人的风险预测分析的方法。采取这种方法,然后建立在机器学习能力,包括干预模型。这就是可以尝试操纵轨迹,修改风险。“这可以预测未来许多出现在回应行动,然后选择最好的未来道路,”希尔说。“现在可以用来得到我们想要的圣杯在护理管理:个性化的ROI。“结果是洞察力显示的方式投资于护理——通常,机器学习指导干预措施与建立人口健康的原则不一致。但是他们提供数百万美元的储蓄通过驾驶干预措施,将产生最大的效果。“成员,成员干预,干预,我们现在可以确定我们最对我们有利。 And it’s not just about money, it’s about health outcomes,” Hill says. “Isn’t this what we’ve dreamed of? The ability to deliver much more personalized interventions, much more personalized care and not break the bank doing it. In fact, [we can] to do it for less.” “We now have the ability to break the rules of population health, to think differently, to act differently, to drive to different outcomes.”
