该医疗保健领域似乎已经成熟，可以通过人工智能的方式进行颠覆在预测分析的形式。埃森哲估计到2021年，医疗市场的人工智能将达到66亿美元。
到目前为止，许多公司都声称愿意提供帮助医院及健康保险公司从预测患者是否会收缩疾病他们的作用方面评估医疗保险计划在交易所的风险。
这种快速增长的一个关键原因是存在大量以患者临床数据形式存在的医疗数据，包括实验室结果和诊断数据、保险索赔数据、以及已发表论文和临床试验的研发数据。
我们研究了使用预测性分析的医疗保健，以更好地了解AI发挥作用的行业，并回答下列问题：
- 什么类型的预测分析应用程序目前在医疗保健中使用？
- 什么切实的结果作为驱动预测分析医疗保健？
- 这些创新努力有什么共同的趋势吗?这些趋势将如何影响医疗保健的未来?
该报告涵盖了供应商提供的软件与3应用程序：
- 预测医疗保险公司的风险评分
- 防止医院再次入院
- 临床变化管理
本文旨在为医疗行业提供商业领袖与他们目前可以从艾期望在他们的行业的想法的空间。我们希望这篇文章可以让商业领袖医疗保健为争取他们的见解可以自信地传达给他们的管理团队，使他们能够考虑AI收养时做出明智的决定。最起码，本文拟用作减少时间商界领袖的方法医疗保健花研究AI公司与他们可能（或可能不）感兴趣的工作。
预测医疗保险公司的风险评分
Apixio
Apixio还提供一个名为的软件肝癌分析器，他们声称这可以帮助医院的编码人员在电子健康记录(EHRs)中对病人图表进行分类，并使用机器学习向医院的编码人员提供他们工作所需的数据。HCC的概况也可使卫生保险公司预测其《平价医疗法案》(ACA)保险工厂的风险。
医院编码人员根据病人病历中的诊断和人口统计数据添加和指定代码。然后，这些代码被用来确定保险公司欠医院多少钱。
Apixio声称，医院的编码人员可以将来自医院或供应商的EHR的患者记录数据或患者记录的图像扫描或pdf文件上传到HCC探查系统。那么，HCC剖面仪似乎可以挖掘患者记录数据相关信息，包括血压，诊断，患者遵医嘱或逗留在医院中施用的药物。
据Apixio，保险机构可以使用HCC探查预测的健康计划的商业风险，他们对ACA的医疗保险交易所上市。该软件可能会从病人的病历和医疗账单分析数据，以提供健康保险公司上市与整体风险评分，这些计划的某些计划。该公司声称，这可能让健康保险公司更好地预测他们提供健康保险计划，他们可能对ACA交流成功的成本。
目前还不清楚保险公司如何与HCC Profiler进行交互，但以下两分钟的视频演示了HCC Profiler如何为医院编码人员工作:
我们找不到Apixio向任何知名医院系统或保险机构销售产品的证据，也找不到任何证据表明该公司的c级高管分别在机构和大公司的人工智能领域拥有丰富的学术或专业经验。也就是说，在撰写这份报告时，该公司已经筹集了3600万美元的资金，并得到了贝恩资本(Bain Capital)的支持。Apixio目前也有85名员工。换句话说，我们相信这家公司有吸引力。
Lumiata
Lumiata提供一个软件，他们声称可以帮助医院和医疗保健保险机构降低风险，提高运营效率使用预测分析。公司提供以下解决方案:
- 风险管理：预测分析识别和预测的医疗运营模式的慢性病患者。
- 利用与承销管理：预测未来患者的临床状态的风险和精算工具
Lumiata软件首先收集客户数据集，如电子医疗记录（EMR）健康记录和医院的临床实验室结果。数据然后通过深度学习模式运行，以产生对每个患者定制的风险评估。
Lumiata声称用户可以登录仪表盘，从Lumiata的系统访问insight通知。据报道，Lumiata将该软件集成到医院的IT网络中，Lumiata雇佣了数据科学和临床课题专家。据该公司的网站称，Lumiata的预测分析软件针对的是从1.75亿份患者记录和5000万篇文章中提取的数据PubMed除其他来源。它是由积极执业医师策划。
医疗保健和保险的客户可以在软件的API集成到现有的风险的工具。
下面是Lumiata仪表盘上的screengrab这表明在正确的医学图形和由平台设置在塔顶部的见解：
Lumiata不提供任何坚固的案例研究报告与他们的软件的成功。
Lumiata还没有明确他们与哪些大客户合作过，但他们得到了几家著名风险投资公司的支持，包括科斯拉风投(Khosla Ventures)、BlueCross BlueShield风险投资基金、英特尔资本(Intel Capital)和Sandbox Industries。
Rohun Kshirsagar是Lumiata的数据科学高级总监。他拥有德克萨斯农工大学学院的纯数学博士学位。
防止医院再次入院
健康的催化剂
健康的催化剂提供预测分析解决方案，他们声称可以帮助降低入院率，预测病人感染威胁生命的疾病的可能性，预测病人错过预约的可能性。
集成Health Catalyst软件需要公司的数据科学家或集成专家与医院的相关人员进行协作。然后，医院员工可以登录Health Catalyst的仪表盘，显示医院里的病人感染CLABSI的可能性(以百分比表示)。医院的医生可以通过仪表板上的一个通知来得到警报，当病人被认为有患CLABSI的高风险时。
这个百分比是使用Health Catalyst的机器学习算法计算出来的，该算法根据医院的电子病历(EMR)数据和公司自己的CLABSI病例内部数据仓库记录进行训练
下面这个2分钟的视频概述了一些预测分析软件的应用:
该公司声称曾与堪萨斯大学卫生系统合作一个项目，旨在减少再入院。医院系统第一次一起工作，从健康催化剂数据科学专业人员审查30天再入院的历史数据，并确定不足在家护理计划在卸货和慢性疾病的发展是为再次住院的两大原因。
据报道，堪萨斯大学卫生系统需要一种方法来预测哪些病人可能被归类为慢性疾病的高危人群，因此，哪些病人更有可能在30天内再次入院。医院系统使用了Health Catalyst的分析平台来做到这一点。
健康催化剂宣称，整合后，大学看到，在30天再入院率各种原因，包括患者的30天再住院率与心脏衰竭的主要诊断52％的相对减少了39％的相对减少。目前还不清楚的整合持续多久还是什么都在同一时间采取其他医院再入院减排措施。
Health Catalyst似乎与德克萨斯儿童医院(Texas Children’s Hospital)和阿丽娜健康(Allina Health)等机构合作过几个成功的预测分析项目。健康触媒共筹得292美元来自UPMC和Northwest Venture Partners等公司。
我们找不到任何的行政领导团队的健康催化剂中强大的历史AI项目的证据。
临床变化与人口健康管理
临床变异是当代医学中的一个概念，它涉及研究医疗实践和服务的过度使用、不足使用和不同使用，从而导致个别患者的不同结果。
医院和诊所打算通过建立统一的临床指导原则和秩序套，减少测试和程序，以减少临床变化。在业务方面，降低临床变化意味着提供精确的，高性价比的服务。
人口健康管理是将多个卫生信息技术资源中的患者数据聚合起来，将这些数据分析为单个的、可操作的患者记录，并采取行动，通过这些行动，护理提供者可以改善临床和财务结果。
Ayasdi
Ayasdi声称为临床变异管理和人群健康管理提供医疗预测分析解决方案，使用机器学习来分析EMR和成千上万的病人程序的财务数据。
他们使用机器学习算法，该公司声称，可以在EMR数据发现模式，以聚集在一起类似患者程序和生成临床路径这一结果在最低成本的最佳患者的治疗效果。这有助于减少医院相比，这是由人手工完成传统护理路径生成方法临床路径产生的时间。
训练有素的索赔和临床数据的机器学习算法可以帮助在医院的临床医生可以识别哪些关心的事件花费大部分的美元的医院，以及如何这些钱多少是翻译成阳性患者的治疗效果。在医院的临床医生可以访问由分析平台，通过仪表板衍生洞察力的可视化表示。
在下面的演示视频中，Ayasdi展示了医院如何使用EMR/EHR和计费数据的预测分析来减少临床差异，提高病人的治疗效果，并降低成本:
弗拉格勒医院与阿雅斯迪合作创建更好的肺炎护理流程模型。弗拉格勒医院称，预测分析模型的数据集包括1573名2014年后因肺炎而出院的患者。Ayasdi使用SQL (EMR、Surgical、Analytics、EDW、Financials)和Ayasdi CVM应用程序从5个不同的系统收集数据，创建9个潜在的肺炎临床路径。
项目完成两周后，弗拉格勒就能够开发脓毒症的治疗途径。据报道，在肺炎项目结束后的第二年，弗拉格勒还将其预期的护理路径生产从8个增加到12个，覆盖了心脏手术和分娩等病例。
Ayasdi被选为“科技先锋”，由世界经济论坛的一个在2015年，并与客户，如洛克希德马丁公司，瑞士信贷银行和西门子合作。该公司是由CEO创立Gurjeet辛格他是斯坦福大学计算机和数学工程博士。他曾在德州仪器和谷歌工作。
小贴士企业领导者
所有我们覆盖的公司中，Ayasdi似乎有最影响力。它的预测分析解决方案拥有令人印象深刻的客户。企业可以期望预测分析，在未来两到三年内被应用到医疗领域更多的应用如电子病历数据和理赔数据更加结构的规范性。
我们列出了一些关键问题，医疗行业的商业领袖在决定投资人工智能分析应用之前可能需要回答:
- 什么是你今天的业务数据源？EMR数据？临床资料？理赔数据？
- 收集这些数据的方法是什么?
- 未来两年可能需要哪些历史数据?现在正在收集这些数据吗?如果是的话，就是它了与机器学习系统一起使用？
标题图片来源:美国EHR
