¡Únete a la comunidad de Community of Insurance!

Nuevas herramientas de predicción y descubrimiento de la sanidad

Fecha

Share on facebook
Share on twitter
Share on linkedin
Share on email
Share on print
Share on whatsapp

Escribe Ricard Gavaldà, CEO y cofundador de Amalfi Analytics, que participará en el Show&Tell Session de Insurance World Challenges.

[English version]


El Big Data ha venido para quedarse – en una forma u otra

Primero fue la Estadística, luego el Data Mining, luego el real-time analytics, y luego el Big Data, el Machine Learning y la Inteligencia Artificial. Ah, perdón, el Big Data ya está cediendo los titulares al Small Data y al Thick Data. ¿Cuál será el próximo slogan?

Los nombres y las tecnologías cambian, pero el valor de los datos sigue creciendo. ¿Pueden imaginar una sola organización actual que no guarde todos y cada uno de los bits de información que ve – por si acaso más adelante fueran útiles?

Distintos sectores han abrazado las tecnologías de análisis de datos a distintas velocidades. El Fintech, el marketing y las telcos están muy por delante. En Amalfi Analytics nos hemos dirigido hasta ahora a la gestión del sistema sanitario, diseñando nuevos algoritmos y tecnologías de datos adaptados a sus compromisos entre costes y beneficios. Aunque es un sector con mucha inercia y que suele rehuir los riesgos, cambia rápidamente de opinión cuando ve procesos de análisis más eficientes y, en consecuencia, mejoras en indicadores y costes.

Salud, modelos predictivos, análisis de riesgos

Por ejemplo, estamos usando modelos predictivos para mejorar la gestión de los departamentos de urgencias en hospitales. Podemos predecir en tiempo real el número de llegadas al servicio, el número de camas que se necesitarán en las próximas horas, y los cuellos de botella en cada una de las instalaciones (boxes, análisis clínicos, imagen, especialistas…). También podemos ligar estas predicciones a las necesidades de recursos, y en particular al personal necesario en categorías profesionales críticas como enfermería. De esta manera, los responsables del servicio pueden empezar a reservar recursos y personal antes de que se produzca un pico de actividad – y el caos consiguiente.

También podemos predecir riesgos para personas específicas (complicaciones, sepsis, retornos en 48 horas por problemas mal resueltos…). Es difícil lograr tasas de acierto altas paciente a paciente, porque para ello hay que integrar fuentes de información clínica muy diversas, lo que es complejo, caro y poco escalable. Pero estamos observando una y otra vez que los datos de baja resolución, que los hospitales ya usan rutinariamente, tienen poder de predicción suficiente para actuar de manera coste-efectiva en colectivos de pacientes. Y esto es la principal preocupación de los gestores. Además, al ser datos estandarizados, permiten benchmarking entre instituciones, y por tanto la mejora colaborativa.

Trayectorias de pacientes, prevención y análisis de costes

En una dirección distinta, hemos desarrollado algoritmos para analizar la evolución temporal de poblaciones enteras.

Las enfermedades crónicas y complejas son difíciles de gestionar y planificar porque exhiben una gran variabilidad. Es por esto que los sistemas basados en listas de indicadores no están a la altura: Son demasiado unidimensionales y no capturan las interacciones entre muchos factores que explican la variabilidad dentro de una enfermedad.

Igualmente, las herramientas estándar de Business Intelligence son demasiado notariales (“¿a cuántos diabéticos traté el año pasado?”) en lugar de ser predictivas (“¿cómo serán mis diabéticos en 2… 5… 10 años?”). Como mucho, incorporan mecanismos de tendencias que extrapolan linealmente del presente al futuro. Estándares como los DRG (Diagnostic Related Groups) sitúan a los pacientes en “cajas” de costes similares para el sistema, pero son de grano demasiado grueso para tener y para predecir el aspecto futuro de una cohorte.

Nuestros algoritmos exclusivos dividen una población de pacientes en “estados”. Cada estado se caracteriza por la coocurrencia de otros síntomas, por su coste típico y uso de recursos, y por una evolución similar en el futuro. Después, los algoritmos descubren “trayectorias”, los futuros típicos que los pacientes de cada estado suelen seguir. Así pueden proyectar la población actual al futuro, haciendo fast forward de la evolución de cada paciente desde su estado actual.

¿Aplicaciones a las necesidades en insurtech?

La sociedad en su conjunto se está haciendo más compleja y variada. La misma complejidad y variabilidad que complica la planificación y la prevención en los sistemas de salud también complica enormemente los cálculos actuariales que las compañías de seguros tienen que optimizar.

Aunque hemos desarrollado nuestros métodos para el sector salud, podemos perfectamente visualizar su aplicación al sector seguros. De manera general, podrían dar mayor visibilidad y anticipación de los costes futuros, mitigando la incertidumbre de la cuenta de resultados para los próximos meses.

Por ejemplo, los métodos predictivos para gestionar el absentismo en hospitales son 100% aplicables a otros entornos, tanto para sugerir acciones correctivas (encontrar sustituciones) como preventivas. Y podemos tomar tanto el punto de vista del empleador como el punto de vista de las mutuas, que pagan una fracción muy grande del coste del absentismo, por ejemplo ayudando a predecir mejor las duraciones de bajas una vez se han producido.

Los algoritmos de descubrimiento de trayectorias de pacientes podrían aplicarse a:

  • Descubrir colectivos de asegurados que tienen riesgos y costes mayores de lo normal. Estos colectivos a veces están escondidos en los datos porque no se caracterizan por un solo factor (digamos, la edad o la geografía) sino por una combinación compleja de factores.
  • Ajustar con precisión las cuotas a los perfiles de asegurados. Cuanto mejor pueda predecir la evolución de su masa asegurada, y como van a evolucionar distintos grupos dentro de ella, mejor podrá ajustar las cuotas, y hacerlo con bajo riesgo.
  • Calcular las reservas y las provisiones necesarias para el futuro. Cuanto mejor pueda predecir el gasto que su población va a generar, mejor podrá ajustar sus reservas. Los ahorros pueden ser enormes.

En Amalfi Analytics abrazamos las oportunidades de transportar esta nueva generación de herramientas analíticas al insurtech.

New prediction and discovery tools – from healthcare to insurtech

Big data is here to stay – in some form or other

First it was statistics, then data mining, then real-time analytics, then Big Data and Machine Learning and IA. Oh yes, Big Data is already yielding the headlines to Small Data and Thick Data, in case you missed them. What will be the next slogan?

Names and technologies change, but the value of data keeps increasing. Can you imagine an organization that does not store every bit of data it sees – just in case it might be useful later?

Different sectors have embraced data analysis technologies at different speeds. Fintech, marketing, telcos are way ahead of most others. At Amalfi Analytics we have addressed healthcare management, designing new algorithms and data analysis technologies tailored to their cost-benefit tradeoffs. Although this is a risk-averse and slow-moving sector, people change their minds quickly when they see more efficient analysis processes, and as a consequence improvements in outcomes and costs.

Healthcare, predictive models, risk analysis

For example, we are using predictive models to help manage hospital emergency departments. We predict in real time number of arrivals, number of beds that will be required, and congestion at each of the subsystems (boxes, clinical analysis, imagery, specialists….). Also we can link these predictions to resource needs, and in particular critical staff, such as nurses. This way, emergency department managers can start provisioning before a peak of activity – and chaos – occurs.

We can also flag specific risks for specific patients (complications, sepsis, returning within 48 hours for unsolved issues….). True, it is hard to achieve high accuracy rates patient-by-patient, because that requires integrating several sources of clinical information, which is complex, expensive, and hard to scale. But we repeatedly observe that lower resolution data, easy to access and integrate, provides predictive power that is enough to act cost-effectively on patient collectives. And this is the main managerial concern. Furthermore, as they are standardized data, we can do benchmarking among institutions, and therefore improve collaboratively.

Patient trajectories, prevention and cost analysis

In a different direction, we have developed algorithms to analyze the temporal evolution of entire populations.

Complex, chronic diseases are difficult to manage and to plan for because they exhibit large variability.  This is why indicator-based systems are not up to the task: They are too unidimensional and do not work well in the face of complex interactions among factors and large variability within one disease.

Similarly, most BI-like tools are too notarial (“how many diabetics did I have last year?”) rather than predictive (“how will my diabetics look like in 1, 2, … 5 years?”). At most, they incorporate simple trend mechanisms that extrapolate linearly from the present to the future. Standards such as the DRG (“Diagnostic Related Groups”) place patients in groups of similar costs for the system, but they are too coarse to predict future evolution of a population.

Our proprietary algorithms split a population of patients in homogeneous “states”. Each state is characterized by the co-occurrence of other symptoms, by its typical cost and resource usage, and by a similar future evolution. Then they discover “trajectories”, the typical futures that patients in each state tend to follow. And then they can project the current population to any given time in the future, by “fast-forwarding” the evolution of each patient from its current state.

Applications to the needs of insurance?

Society as a whole is becoming more complex and varied. The same complexity and variability that complicates planning and prevention in healthcare also complicates enormously the actuarial computations that insurance companies must optimize.

Although we developed our methods for the healthcare sector, we envision applying them to insurances. In general, they could yield more visibility and anticipation of future costs, mitigating the uncertainty in P&L statements for the following months.

For example, predictive methods for managing absenteeism are 100% applicable to other sectors, both preventive and corrective actions. We can take the point of the view of the employer and that of the mutualities – who pay for a large fraction of the costs of absenteeism, for example helping predict the duration of absences once they have occurred.

The algorithms for discovering patient trajectories should be helpful in:

  • Discovering collectives that have higher-than-normal risks and costs. These collectives are sometimes hidden in the data as they are characterized not by a single factor (say, age) but by multiple ones.
  • Precisely adjusting insurance premiums to patient profiles. The better you can predict the evolution of your insured mass, and how groups within it will evolve differently, the better you will be able adjust the premiums, with low risk.
  • Computing the amount of reserves and provisioning for the future. If you can more precisely predict the expense that your population will generate in the following years, you can adjust your reserves better. Savings can be enormous.

At Amalfi Analytics we look forward to opportunities to transport this new generation of analysis algorithms to the insurance world.

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on email
Email
Share on print
Print
Share on whatsapp
WhatsApp

Artículos
relacionados