Banner superior IWC2020
Nuevas herramientas de predicción y descubrimiento de la sanidad

Nuevas herramientas de predicción y descubrimiento de la sanidad

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 está dejando paso al Small Data y al Thick Data, por si no han seguido los titulares. ¿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 decida no guardar todos y cada uno de los bits de información que ve – por si acaso más adelante se son 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, y diseñado 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, al menos en la UE, cambia rápidamente de opinión cuando ve mejoras inmediatas en su proceso de análisis, y resultados en la cuenta de resultados poco después.

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 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…). Cierto, crear predictores con un nivel de acierto que permita la medicina de predicción requiere integrar muchas fuentes muy heterogéneas – lo que es lento y caro. Pero estamos observando una y otra vez que las fuentes de datos de baja resolución tienen poder de predicción para actuar de una manera efectiva en costes, que es la principal preocupación de los gestores.

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 Relted Groups”) sitúan a los pacientes en “cajas” de costes similares para el sistema, pero son de grano demasiado grueso para tener utilidad clínica real y para predecir el aspecto futuro de una cohorte.

Nuestros algoritmos exclusivos dividen una población de paciente 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.

Por ejemplo, los métodos predictivos para gestionar el absentismo en hospitales son 100% aplicables a otros entornos. 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.

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.
  • 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 yielding the headlines to Small Data and Thick Data, in case you missed. What will be next?

Names and technologies change, but the value of data keeps increasing. Can you imagine an organization that does not keep every bit of data it sees – just in case it could 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, and designed new algorithms and data analysis technologies tailored to their cost-benefit tradeoffs. Although this is a risk-averse and slow-moving sector, at least in the EU, people change their minds when they see immediate improvements in their analytic processes, and the results in their bottom lines shortly after.

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 services in emergencies (boxes, clinical analysis, imagery, specialists….). Also we can link these predictions to resource needs, and in particular staff required, such as nurses. This way, emergency department managers can start provisioning before a peak of activity – and chaos – occurs.

These are all collective predictions (“how many patients will…?”). But we can also flag specific risks for people (complications, sepsis, returning within 72 for unsolved issues….). True, creating very accurate predictors for precision medicine requires integrating highly detailed clinical data – which is slow and expensive. But we repeatedly observe that lower resolution data sources, easy to access and integrate, provide accurate enough predictions for acting in a cost-effective way – which is the main managerial concern.

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. For example, predictive methods for managing absenteeism are 100% applicable to other sectors. We take both the point of the view of the employer and the point of view of the mutualities – who pay for a large fraction of the costs of absenteeism.

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 to compute the cost that each group will generate, and therefore better adjust the premiums.
  • 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.

Acerca del autor

Somos una Empresa de comunicación y gestión del conocimiento asegurador en RED dirigida a las empresas y profesionales iberoamericanos, especializada en Comunicación Corporativa, Gestión del Conocimiento, Consultoría Estratégica y Eventos para la Industria Aseguradora.

Artículos relacionados

Dejar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

14 − 11 =