Artificial Intelligent Jadi Game Changer di Asuransi Kesehatan

Oleh: dr Nickolai Indrarajasa, MARS, QRGP* 

Kecerdasan buatan (artificial intelligent/AI) adalah teknologi yang kuat yang dapat mengubah cara perusahaan asuransi kesehatan menangani klaim dan mengefisienkan biaya operasional.

Manajemen klaim adalah proses yang kompleks dan mahal, baik dari sistem yang dibuat atau disewa, jumlah sumber daya internal hingga TPA yang dipakai. Karena melibatkan banyak langkah, seperti memverifikasi kelayakan, memvalidasi cakupan, memeriksa penipuan, menilai kerusakan, dan membayar manfaat. Oleh karena itu, AI dapat diharapkan untuk mengotomatisasi proses dan mengoptimalkan banyak aspek dari proses-proses klaim, sehingga menghasilkan pengolahan klaim yang lebih cepat, lebih akurat, dan lebih efisien.

Namun, tidak semua aplikasi AI memiliki manfaat yang sama baiknya untuk manajemen klaim. Beberapa kasus penggunaan AI mungkin memiliki dampak yang lebih tinggi daripada yang lain, tergantung pada tujuan bisnis, ketersediaan data, kelayakan teknis, dan kepuasan pelanggan serta komitmen perusahaan, belum lagi ekosistem yang tepat untuk multiple trials. Oleh karena itu, penting untuk mengidentifikasi di mana AI harus berada, jika kita ingin mendapatkan dampak pareto dalam manajemen klaim untuk asuransi kesehatan.

Untuk mengidentifikasi di mana AI harus ditempatkan, maka terlebih dahulu, kita harus melakukan self assement terhadap pareto issues di internal hingga sumber serta kualitas data yang dapat kita peroleh atau telah dimiliki oleh perusahaan asuransi.

Dampak pareto adalah istilah yang mengacu pada prinsip bahwa 80 persen efek berasal dari 20 persen dari penyebab. Dengan kata lain, dampak pareto berarti bahwa sejumlah kecil kasus penggunaan AI dapat menghasilkan proporsi besar nilai untuk manajemen klaim. Untuk menemukan kasus penggunaan ini, kita dapat menggunakan kerangka kerja yang mengevaluasi potensi dampak dan upaya implementasi dari setiap aplikasi AI.

Potensi dampak dari kasus penggunaan AI dapat diukur dengan kriteria berikut:

1. Efisiensi biaya: Seberapa banyak AI dapat mengurangi biaya operasional manajemen klaim, seperti tenaga kerja, overhead, dan koreksi kesalahan? Atau bila memungkinkan mengganti peran admin pihak ketiga atau minimal melakukan supervisi terhadap parameter yang akan menimbulkan kecurigaan secara real time.

Note: Penting bagi kita untuk menetapkan tingkat efisiensi (selain akurasi) yang cukup tinggi untuk memberikan benefit lebih tinggi dari cost yang akan Kita keluarkan.

2. Pertumbuhan pendapatan: Seberapa banyak AI dapat meningkatkan pendapatan perusahaan asuransi kesehatan, seperti dengan menarik pelanggan baru, mempertahankan yang ada, atau menjual silang produk? Misalnya, apakah perlu dipertimbangkan AI dengan kemampuan sentiment analisis utk melakukan online survei terhadap produk internal maupun kompetitor? Atau menilai respons/sentiment market atas kampanye yang kita lakukan.

Note: Yang menjadi pertimbangan adalah, bagaimana algoritma yang kita bangun, mampu meningkatkan conversion rate dan menemukan distribution channel yang sesuai.

3. Kepuasan pelanggan: Seberapa banyak AI dapat meningkatkan pengalaman dan loyalitas pemegang polis, seperti dengan mengurangi waktu tunggu, meningkatkan transparansi, atau mempersonalisasi layanan?

Upaya implementasi dari kasus penggunaan AI dapat diukur dengan kriteria berikut:

a) Ketersediaan data: Seberapa banyak dan seberapa baik data yang dibutuhkan untuk melatih dan menjalankan model AI, seperti catatan klaim, catatan medis, atau sumber eksternal? Pada sumber data eksternal, perlu dipikirkan bagaimana dampak data-data tersebut pada perhitungan underwriting & perkiraan loss ratio, serta timing dari data tersebut diperoleh untuk memberikan dampak terhadap hasil underwriting?

Note: penting untuk memperhatikan kualitas data vs kebutuhan algoritma A.I yang menghasilkan tingkat akurasi dengan bias yang masih dapat diterima sebagai risiko.

b) Kelayakan teknis: Seberapa mudah atau sulitnya mengembangkan dan menerapkan model AI, seperti kompleksitas, akurasi, atau skalabilitas? Akan sangat nyaman apabila kita menemukan engine yang fleksibel untuk melakukan perubahan model atau algoritma berdasarkan karakter data yang Kita terima atau miliki.

c) Kepatuhan peraturan: Seberapa baik model AI mematuhi standar hukum dan etis, seperti privasi & keamanan? Yang selalu menarik dari bantuan kecerdasan buatan pada asuransi kesehatan adalah bagaimana diagnosis-therapy-tindakan di klaim sebagai murni art? Bagaimana membuktikan struktur SOP medis yang lebih efisien diberikan pada pasien, akan memberikan dampak optimal, baik bagi pasien, fasilitas kesehatan, maupun penanggung?

Menggunakan kriteria ini, kita dapat memplot kasus penggunaan AI pada matriks yang menunjukkan trade-off antara dampak dan upaya. Matriks ini dapat dibagi menjadi empat kuadran:

Pertama, Quick Wins: Ini adalah kasus penggunaan AI yang memiliki dampak tinggi dan upaya rendah. Pilihan ini adalah pilihan yang paling menarik dan paling layak untuk manajemen klaim. Pilihan ini harus diprioritaskan dan diimplementasikan sesegera mungkin. Untuk menemukan quick wins maka kita harus sangat mengenal masalah utama dari penyebab tingginya loss ratio.

Kedua, Strategic Bets: Ini adalah kasus penggunaan AI yang memiliki dampak tinggi dan upaya tinggi. Ini adalah pilihan yang paling ambisius dan paling menantang untuk manajemen klaim. Opsi harus direncanakan dan dieksekusi dengan hati-hati, dengan visi yang jelas dan komitmen yang kuat. (Namun harus dibarengi oleh existing market yang mendukung serta potential market yang kemudian disasar. Untuk pilihan ini, disarankan untuk asuransi atau perusahaan dengan captive market yang kuat)

Ketiga, Low Hanging Fruits: Ini adalah kasus penggunaan AI yang memiliki dampak rendah dan upaya rendah. Ini adalah pilihan yang paling sederhana dan paling mudah untuk manajemen klaim. Opsi harus dipertimbangkan dan dimanfaatkan secara oportunis, dengan investasi minimal dan pengembalian cepat. Opsi ini baik untuk dieksplorasi dan dimaksimalkan buat meningkatkan daya jual bagi tim marketing, disarankan bahwa opsi ini hanya sebagai jembatan sebelum opsi lain yang lebih permanen dapat direalisasikan.

Keempat, Time Wasters: Ini adalah kasus penggunaan AI yang memiliki dampak rendah dan upaya tinggi. Mereka adalah pilihan yang paling tidak relevan dan paling boros untuk manajemen klaim. Mereka harus dihindari dan dieliminasi, karena mereka tidak menawarkan nilai dan menghabiskan banyak sumber daya.

Kita dapat mengidentifikasi beberapa contoh kasus penggunaan AI untuk manajemen klaim dan menempatkan mereka pada matriks. Tabel berikut menunjukkan contoh kategorisasi yang mungkin dari kasus penggunaan ini, beserta penjelasan singkat tentang dampak dan upayanya.

Seperti yang kita lihat pada contoh di atas, kasus penggunaan AI yang memiliki dampak pareto tertinggi untuk manajemen klaim adalah Automatic Fraud Detection dan Auto Adjudication. Kasus penggunaan ini dapat secara signifikan mengurangi biaya dan meningkatkan pendapatan perusahaan asuransi kesehatan, sekaligus meningkatkan kepuasan pelanggan. Namun, mereka juga memiliki tingkat upaya implementasi yang berbeda, yang berarti bahwa mereka membutuhkan strategi dan sumber daya yang berbeda.

Oleh karena itu, jika kita ingin mendapatkan dampak pareto dalam manajemen klaim untuk asuransi kesehatan, kita harus fokus pada dua kasus penggunaan AI ini dan mengadopsi pendekatan yang seimbang yang menggabungkan quick wins dan strategic bets. Dengan demikian, kita dapat memanfaatkan kekuatan AI untuk mengubah manajemen klaim dan menciptakan keunggulan kompetitif untuk perusahaan asuransi kesehatan.

Namun sekali lagi, apakah kita akan memilih utk membangun Automatic Fraud Detection atau Auto Adjudication sangat amat perlu untuk menilai jumlah, kualitas serta sumber data yang diperlukan dalam membangun salah satu atau kedua produk tersebut dan kaitannya dengan tujuan perusahaan serta market yang dituju.

*Penulis adalah Head of Managed Healthcare Services mQare (bagian dari grup Sinarmas).