AI驱动的解决方案能够从以往难以获取的数据中挖掘出有价值的见解，并以前所未有的规模实现消费者互动和个性化服务，从而提升医疗行业的业务成果。
在快速变化的医疗领域，AI有潜力重塑消费者与医疗服务的互动方式。如今，美国的消费者在寻找合适的保险覆盖、了解何时应就医、就医费用以及如何管理自身健康等方面面临诸多困难。许多人花费数小时进行研究，与朋友和家人商议，以及致电医疗服务提供者和支付方以寻求问题的答案。事实上，在我们调查的消费者中，有四分之一表示他们无法在需要时获得所需的医疗服务。
为了应对复杂的医疗生态系统并带来有意义的改善，仅仅增加人力投入是不够的，尤其是考虑到劳动力短缺和医疗成本不断上升的现状。此时，AI应运而生：这项技术有可能重新构想消费者体验，并以几年前无法实现的方式增强互动，它可以帮助实现个性化护理，提高透明度和简化流程，并确保消费者能够掌控自己的健康和与医疗相关的决策。最近的一项研究中，医疗保健专业人员评估了医生在社交媒体论坛上对患者问题的回复，并将其与聊天机器人生成的回复进行了比较，结果发现评估者更偏爱AI的回复，认为其质量更高且更具同理心。
一个好消息是，医疗保健行业已经意识到AI在消费者体验方面的机遇。麦肯锡对医疗保健行业领导者的调查显示，62%的受访者表示消费者互动和体验是GenAI具有最大潜力的领域，然而，只有29%的受访者表示其企业已开始出于任何目的实施GenAI。
那些利用AI根据个体需求、偏好和目标来定制医疗保健体验，同时减轻潜在风险的企业，有可能与消费者建立更加信任的关系。采用包括AI在内的最新技术还可以改善业务成果：据麦肯锡与国家经济研究局共同发布的一项研究估计，净节省额可能达到医疗保健支出的5%至10%，具体百分比在私人支付方、公共支付方、医生团体和医院之间略有差异。
为何现在将AI应用于医疗保健消费者
AI的成功应用需要数据，而该行业拥有充足的数据供AI工具深入挖掘——全球约30%的数据由医疗保健行业产生。预计到2025年，医疗保健数据的复合年增长率将达到36%。与其他机构(如雇主、政府或科技公司)相比，医疗保健企业在让消费者愿意分享个人健康相关信息以支持自身健康方面也表现得更为出色。
然而，在采用数字技术方面，医疗保健行业通常落后于其他行业。过去，除了至关重要的患者隐私问题外，利用AI的主要技术挑战在于无法从非结构化数据中提取有价值的信息，并为高度多样化的消费者旅程策划体验。与其他行业一样，数据分散在多个系统中，虽然医疗保健行业已经利用了一些结构化数据来推动AI的发展，但在非结构化数据(如通话记录)方面的应用却成效有限。现在，GenAI可以帮助释放以往无法使用的数据源中蕴含的消费者关键信息的力量，并使其适用于更广泛的AI用途，以学习行为模式，从而提供了一种前所未有的能力，可以在前所未有的规模上提供定制化服务。
随着技术的飞速发展，它有能力帮助优化医疗保健消费者的旅程。
AI如何简化整个医疗保健旅程
AI有潜力彻底改变消费者的整个医疗保健旅程。消费者会在几个核心旅程中体验医疗服务，虽然这些步骤不必是按时间顺序进行的、离散的或对于每个人都相同的，但每个阶段都为AI改善体验提供了机会。
示例1：增强主动护理和健康管理的参与度
人们往往难以做出健康的生活方式选择，以降低可预防健康状况的风险。医疗服务提供者和支付方都可以采用AI来促进个性化的预防护理体验。例如，机器学习(ML)模型可以预测个人的临床和行为风险，而GenAI可以定制健康计划并个性化信息，以提高参与的可能性。特别是，对个体有全面了解的综合医疗服务网络可以识别护理缺口，并使用AI驱动的模型来建议下一步行动。除了支付方和提供者之外，直接面向消费者的健康公司也越来越多地扮演着健康指导的角色;例如，由AI驱动的Whoop Coach使用用户Whoop可穿戴设备的生物识别数据，然后对消费者共享的旅程记录应用机器学习，以生成对健康问题的个性化回应，并指导个人达到最佳状态。
示例2：让寻找和预约医疗服务更加便捷
当消费者确定有就医需求时，找到符合其要求和偏好的医疗服务可能会令人沮丧且耗时。AI可以作为一个24/7的前门，进行信息录入，以创建关于下一步的初步建议。这样做有可能加快将消费者引向正确的时间、地点的合适医疗服务的进程。例如，AI可以将患者的偏好与特定提供者的数据相结合，从而创造更流畅的搜索体验。此外，GenAI可以综合信息，为消费者就诊做好准备，并通过高度个性化的预约提醒来提高参与度。
AI还可能有助于最大限度地减少预约未到的情况，这每年给美国医疗保健系统带来的成本高达1500亿美元。延迟就医还可能导致患者病情加重。通过分析过去的行为，AI可以帮助医疗服务提供者和支付方主动识别更有可能错过预约的患者，并提前发送提醒，以及在错过预约时提供重新预约的选项。例如，巴尔的摩的一家联邦合格健康中心Total Health Care报告称，他们使用eClinicalWorks的Healow AI模型来识别高风险未到患者，声称这降低了34%的错过预约率。
示例3：让保险覆盖和费用信息更易理解
在就诊前后，患者往往难以理解自己的保险覆盖范围和应付费用。医疗保健企业或许可以利用AI，根据每个人的沟通偏好(包括语言、阅读水平等)提供易于理解的预期费用和保险覆盖范围总结。例如，医疗系统和支付方可以改进所谓的成本估算工具，以考虑患者正在搜索的特定服务。而在提供服务后，企业可以使用GenAI工具协助患者理解和解决医疗费用问题。
示例4：提高护理质量
护理质量是影响满意度的最重要因素之一，那些认为自己得到劣质护理的人更换提供者的可能性大约是不认为如此的人的三倍。患者不满的一个来源是医生就诊时间太短，大约15分钟，患者认为这不足以获得高质量的护理。虽然解决这个问题有很多方法，但AI提供了一些有趣的解决方案。例如，改善这种体验并优先安排高质量时间的一种方法是使用AI驱动的环境监听技术，这些工具旨在让医生能够全神贯注于患者的担忧和问题，而技术则负责记录笔记，以便医生在就诊后进行准确性审查，另一个例子是AI协助住院患者护理，这可能是一个自然语言处理模型，能够识别卧床患者说出的特定词语，然后通知护士站以满足他们的特定需求。
示例5：提高后续护理的依从性
患者在结束医疗保健就诊时常常对下一步行动感到不清楚或困惑。GenAI可以将就诊记录、出院总结和保险覆盖信息以及患者偏好相结合，以易于理解的方式提供就诊的重点内容、管理压力的资源以及下一步所需信息的定制指南，这种方式不含医学术语，且表现出同理心和理解，这不仅将使患者更容易在医疗保健系统中导航，还将节省临床医生的时间。例如，凯撒医疗集团(Kaiser Permanente)报告称，其基于AI的患者消息传递系统有32%的消息在无需医生输入的情况下进行了分类，确保了患者能够及时收到所需信息。
如何加速AI的应用以提高消费者满意度
尽管AI有潜力改善端到端的消费者医疗保健体验，但其发展势头一直较为缓慢。企业在急于快速抓住机遇和缺乏明确起点之间摇摆不定，同时在部署AI时因潜在风险而普遍持谨慎态度。为了加速AI的应用以升级消费者体验，我们提出了五个关键步骤。
解决70%的数据准备问题
首先，高管们需要在分配资源和资金之前，考虑其企业的数据和技术准备情况。要通过AI为医疗保健消费者提供切实价值，需要整合可供利用的数据，这是一项艰巨的任务，在开发基于AI的解决方案时，平均占据70%的工作量。对于医疗保健行业而言，挑战在于知道要收集哪些数据以及如何连接这些数据源，数据分散在多个平台上，格式和效用各不相同(例如，本地托管的医疗索赔或电子健康记录、云平台上的营销信息以及分散在多个系统中的呼叫中心信息)。
尽管与其他行业相比，医疗保健企业在数据量上可能具有优势，但它们仍然面临着无法全面了解消费者的问题。例如，护理连续性的中断使得难以全面了解患者的需求、习惯和偏好。除非建立在人口结构多样化的数据基础上，否则AI输出也可能存在偏见。为了挖掘有意义的见解，企业可以将临床和患者数据与社会决定因素、患者报告的结果、零售购买和健康追踪器等信息相结合。
聚焦消费者体验优先事项以确保AI成功
在评估数据准备情况的同时，领导者可以根据改善客户体验(CX)、机遇、策略和可行性的整体优先级，评估和确定AI投资的优先领域。例如，AI可以优化行政流程，减少消费者接触点，从而降低服务成本。对于医疗服务提供者而言，这可能意味着由于整体体验的提升而减少取消预约的情况，而对于支付方而言，这可能意味着减少为解答有关福利或覆盖范围的问题而进行的后续电话。
这是避免一次性尝试过多任务、从而限制有意义进展的关键步骤。为了确定重点关注的领域，必须让企业内的跨职能领导者参与进来。特别是临床领导层，他们对患者痛点以及护理服务和客户体验中不起作用的地方有第一手的了解。
优化AI干预的实时见解
一旦数据基础建立且优先级确定，企业就可以开始研究如何对收集到的数据进行适当的情境化。提供真正个性化的AI见解，需要将多个数据源中的多个接触点串联起来，形成个性化的消费者旅程。例如，通过结合关于医生就诊(频率、就诊医生类型或预约地点)、患者接触工作、患者的互动和体验等详细信息，AI模型可以开发出更贴近消费者行为的表示，这对于构建预测分析以指导未来干预至关重要。
通过分析患者的预约偏好、他们如何或何时对接触作出反应等细节，AI可以定制时机、频率和消息主题，以提供最有可能引起共鸣的建议。通用AI可以通过超个性化的消息内容进一步提高这些定时干预的有效性。
绘制医疗保健中的AI风险并制定缓解计划
与其他行业相比，医疗保健领导者在同意要求、隐私风险、潜在健康影响和监管监督方面面临着独特的挑战。虽然在会员注册或预约安排期间建立的同意机制允许企业使用某些消费者数据，但消费者没有简单的方法来审查或调整这些同意。他们不仅应该能够在签署新的同意书时了解数据使用情况，而且还应该能够了解先前同意的隐私政策的变化，并获得明确的退出说明。
除了数据使用的透明度外，企业还可以建立治理流程，这些流程也以AI使用和算法透明度为基础。他们可以向消费者提供关于AI系统的清晰日志和文档，包括偏见缓解策略和培训协议，如所用人口概况的详细信息。随着消费者期望的变化，就像其他行业一样，他们希望更容易地访问和控制自己的数据——例如，一些公司允许客户决定哪些购买记录用于训练机器学习推荐模型——医疗保健企业将面临越来越大的压力来效仿此举。
本就复杂的患者隐私环境又因迅速演变的AI特定法规而更加复杂。美国卫生与公共服务部的AI特别工作组一直在制定政策，作为白宫AI安全行政命令的一部分，以保护患者。最后，为AI构建的更成熟、更集成的数据存储库可能成为网络攻击的有价值目标。2023年，医疗保健数据泄露事件创下纪录，记录了约725起涉及500条或更多记录的事件，是2017年报告数量的两倍多。
提升团队的AI能力
从长远来看，医疗服务提供企业和支付方将不得不投资于自身的能力和人才，以充分抓住AI带来的机遇。他们必须仔细平衡对现有人才的技能提升和为AI特定技能而进行的招聘，然后企业战术团队来执行所选的举措。与第三方AI供应商合作也是一个选择，可能会让企业更快地行动起来。
提高AI实施成功可能性的一种方法是采用副驾驶模型，即员工与AI工具一起工作，以逐步改进流程。这种模型利用了AI的速度和能力，同时结合人类的技能和直觉来进行制衡，以减轻错误和风险。重要的是，这个过程包括在扩展到整个企业之前，在一小部分用户中进行能力测试和收集学习成果的阶段。这种测试和学习策略使企业能够降低扩展过程中的风险，并衡量现有工作流程中的影响和采用情况。
如今，与医疗保健生态系统的互动往往笨拙且缺乏消费者期望的个性化。AI有潜力通过实现以消费者为中心来重塑医疗保健旅程。构建成功的、可扩展的AI解决方案需要采用迭代方法、明确的受控启动策略以及关于如何与现有和重新构想的工作流程集成的清晰计划，还需要关键绩效指标来放大行之有效的做法。高层的承诺也是抓住飞轮效应力量的关键。虽然实现这一革命需要有针对性的投资、数据进步和风险缓解措施，但我们预期这些努力终将获得回报。医疗保健AI的实施可以使企业的底线、运营和行政职能受益，同时消费者可以更好地掌控自己的健康和养生之旅，并获得更好的整体健康状况。
