Разработанная в компании нейронная сеть определяет процедуры, необходимые по ДМС
В технологическом подразделении страховой компании «Согласие» разработан сервис, основанный на искусственном интеллекте, который позволяет повысить эффективность процессов проверки отчетов по оказанным медицинским услугам в рамках программ добровольного медицинского страхования (ДМС). Основная задача ИИ - обеспечение автоматизированной проверки методик лечения и профилактик, назначенных клиентам клиниками.
Полис ДМС покрывает большой объем медицинских услуг, предоставляемых партнерскими клиниками. Но в ряде случаев клиенту назначаются процедуры, которые не несут практической пользы при восстановлении его здоровья. Как следствие, данные назначения увеличивают стоимость страхового полиса из года в год. Сервис компании «Согласие» позволяет отследить подобные ситуации. Это приводит не только к снижению убыточности страхователя, но также позволяет защитить права пациентов на получение качественной и необходимой медицинской помощи.
«Модель, которую мы внедрили, является комплексной и состоит из трех составляющих: во-первых, накопленного опыта профильных специалистов, выраженного в наборе условий, по которым услуга не может быть оказана застрахованному, во-вторых, оцифрованных клинических рекомендаций и их соответствий поставленному диагнозу, и наконец, алгоритма машинного обучения, позволяющего оценить вероятность отказа от услуги. В результате компания многократно повысила качество предоставляемых услуг и снизила затраты преимущественно корпоративных клиентов», - комментирует Владимир Кожевников, руководитель центра аналитики и машинного обучения.
Данный ИИ находится на службе компании начиная с 2019 года. За это время он помог сэкономить более 45 млн. рублей клиентам «Согласия». В пятой версии сервиса (обновление состоялось в апреле 2024 года) компания внедрила клинические рекомендации Министерства здравоохранения РФ - это позволило в несколько раз повысить точность определения неэффективных назначений.
«На рынке страхования есть несколько коробочных продуктов, которые позволяют выполнять смежные функции, но мы решили сосредоточиться на своей разработке. Да, это долго, например, для своей системы мы примеряли опорные векторы, KNN, бэггинг со случайным лесом и другие популярные методы, и в последней итерации остановились, как мне кажется, на наиболее подходящем алгоритме. Но потраченное время нивелируется плюсами собственной разработки: мы можем вести более гибкую настройку, которая подходит под запросы именно нашей компании, внедряем новые модули, а также регулярно совершенствуем правила за счет клиентских рекомендаций», - отметил Владимир Кожевников.
