Régimes d'assurance maladie font face à des défis sans précédent causés par la hausse de l'inflation, un ratio élevé de pertes médicales (MLR), les perturbations numériques, des négociations difficiles avec les fournisseurs, des réductions de taux Medicare Advantage (MA) et une augmentation de la pression sur les marges, ce qui exige une gestion stratégique des finances et des opérations pour répondre efficacement. En cette période tumultueuse, les leviers commerciaux traditionnels ne suffisent plus, et les régimes d'assurance maladie se tournent vers les technologies d'IA pour découvrir des occasions qui peuvent atténuer leurs défis en stimulant l'innovation, en augmentant la productivité et en améliorant le revenu d'exploitation.
Selon une recherche menée par HFS en mars 2024, plus de 64 % des régimes d'assurance maladie estiment que l'IA est une technologie transformatrice dans le secteur de la santé. Une autre étude de McKinsey a révélé que les régimes d'assurance maladie pourraient réaliser des économies nettes dans des domaines clés, comme les coûts administratifs de 13 % à 25 %, les coûts médicaux de 5 % à 11 %, et une augmentation des revenus de 3 % à 12 %, en utilisant au mieux la technologie de l'IA.[3] Les régimes expérimentent déjà l'IA à travers de petits projets pilotes et des preuves de concepts, mais cela n'est pas suffisant. Pour soutenir, se différencier et croître dans un marché difficile, ils doivent mobiliser et transformer leurs organisations afin de tirer le maximum de la puissance de l'IA. Cela soulève la question : « Comment les régimes d'assurance maladie peuvent-ils faire plus avec l'IA ? »
Interventions prometteuses
L'innovation croissante autour de l'IA (compréhension du langage naturel, analyses prescriptives, recherche sémantique, résumés de contenu, analyse de sentiment, raisonnement logique, reconnaissance vocale, jumeaux numériques et technologies de vision) offre des occasions importantes pour les régimes d'assurance maladie de transformer leurs fonctions de chaîne de valeur et de devenir de plus en plus sophistiqués et centrés sur le client.
De nombreuses activités front office, telles que le marketing et les campagnes de sensibilisation, la souscription, la tarification et la production de devis, les ventes et la communication avec les membres et les fournisseurs, peuvent être soutenues par des informations issues de l'IA et l'automatisation agentique, ce qui permet des gains d'efficacité de prochaine génération, de l'échelle et de la personnalisation. Ces modifications contribuent également à améliorer la satisfaction, l'engagement et la rétention de la clientèle. De même, pour les fonctions intermédiaires et back-office, l'IA promet d'apporter l'excellence opérationnelle, l'efficacité et l'amélioration de la productivité en automatisant des processus administratifs complexes, coûteux et standardisés comme l'inscription, l'adjudication des réclamations, l'autorisation préalable, la gestion des appels et des griefs, la gestion de réseau et les services aux fournisseurs, la configuration des polices et des prestations, la gestion médicale, le suivi de la conformité et l'intégrité des paiements. L'IA permet également aux régimes d'assurance maladie d'optimiser leurs coûts de gestion des infrastructures, des données, de l'ingénierie logicielle et du cycle de vie des opérations TI.
Défis et mises en garde
L'enthousiasme pour toute nouvelle technologie entre souvent en collision avec des préoccupations critiques qui freinent parfois le rythme et l'ampleur de l'adoption. Différentes études de marché ont montré que la plupart des organisations de santé, y compris les régimes d'assurance maladie, peinent encore à adopter l'IA sur tous les axes considérés comme critiques pour réussir une transformation activée par l'IA : stratégie et feuille de route dictées par le métier, orientation des talents, choix technologiques, déploiement de l'IA et gestion des risques, préparation de l'écosystème de données et passage à l'échelle de l'IA.
Les modèles d'IA permettent aux régimes d'assurance maladie de traiter et d'analyser rapidement de gros volumes de données pour prendre des décisions mieux informées et personnalisées. Toutefois, l'exactitude de ces modèles dépend de la qualité et de la représentativité des ensembles de données sur lesquels ils ont été entraînés. Les biais historiques présents dans les jeux de données peuvent amener les modèles d'IA à halluciner et à renforcer les disparités et l'inéquité d'accès aux soins ou à mal identifier et catégoriser certains groupes démographiques à risque élevé. Si un moteur décisionnel piloté par l'IA continue de signaler certains membres de manière disproportionnée pour des interventions ou refuse une couverture sur la base de données incorrectes, il en résulte des conséquences non intentionnelles, y compris un examen réglementaire et des dommages à la réputation du régime d'assurance maladie. Des enquêtes et des rapports des législateurs suggèrent que les outils décisionnels algorithmiques de l'IA peuvent entraîner un plus grand nombre de refus de réclamations ou d'autorisations préalables. Les organismes de réglementation s'inquiètent de plus en plus du potentiel des systèmes d'IA à perpétuer ou aggraver les biais dans les services de santé. S'assurer que les systèmes d'IA sont équitables, transparents et dignes de confiance devient un enjeu réglementaire clé. Par exemple, la Physicians Take Decisions Act, entrée en vigueur en Californie le 1er janvier 2025, interdit aux assureurs santé d'utiliser l'IA comme seule base pour refuser des réclamations (les algorithmes d'IA étaient responsables de près de 25 % de tous les refus en 2024).
Une autre préoccupation majeure concerne la confidentialité et la sécurité des données, étant donné l'utilisation intensive d'informations personnelles et médicales sensibles dans les systèmes alimentés par l'IA. Les règlements relatifs aux données de santé, comme la conformité HIPAA, le RGPD et l'évolution des lois provinciales sur la vie privée, exigent une gestion et une gouvernance rigoureuses des données. Toute fuite ou mauvais usage de décisions issues de l'IA pourrait éroder la confiance des membres et exposer les payeurs à des risques juridiques et financiers.
Les modèles d'IA qui reposent sur des données historiques peuvent avoir de la difficulté à suivre l'évolution de la réglementation, des politiques des assureurs et des conditions de marché imprévues. Par exemple, un système de gestion de l'utilisation axé sur l'économie de coûts pourrait ne pas intégrer les nouvelles règles CMS ou les meilleures pratiques cliniques, ce qui aboutirait à des refus inappropriés de soins. Ainsi, les modèles d'IA doivent faire l'objet d'une surveillance continue, de mises à jour et comporter des mécanismes intégrés pour s'adapter aux changements réglementaires et commerciaux.
L'objectif de l'adoption de l'IA chez les payeurs de soins de santé est de favoriser de meilleurs résultats qui soient à la fois financiers et centrés sur les membres. Cependant, sans une orientation claire sur les améliorations mesurables, l'IA peut parfois privilégier l'efficacité au détriment du bien-être des membres. Si un système d'IA de gestion de l'utilisation réduit agressivement les coûts sans tenir compte des nuances cliniques, cela peut entraîner des refus préjudiciables pour la santé. De même, les outils d'engagement des membres alimentés par l'IA doivent aller au-delà de l'automatisation et se concentrer sur la transformation de l'efficacité en une véritable amélioration de l'expérience membre.
Un autre facteur critique ici est l'intégration de la main-d'œuvre. Bien que l'IA puisse réduire les tâches administratives, libérant ainsi les employés pour des activités stratégiques, il y a souvent de la résistance par crainte de pertes d'emplois et de méfiance envers les processus décisionnels de l'IA. L'adoption sera difficile si les employés ne comprennent pas ou ne font pas confiance aux résultats de l'IA et continuent de la traiter avec scepticisme.
Quelle est la voie à suivre ?
Pour les régimes d'assurance maladie, il est crucial d'embrasser les progrès de l'IA et de l'apprentissage automatique. Débloquer tout le potentiel de l'IA exige plus que l'adoption d'une nouvelle technologie; cela nécessite un alignement stratégique, une gouvernance solide et une préparation opérationnelle. À mesure que les régimes évaluent les investissements dans l'IA, il est essentiel d'équilibrer l'innovation avec la responsabilité. La réussite passera par une intégration de l'IA pour plus de transparence dans la prise de décision, une meilleure efficacité et des résultats mesurables tout en atténuant les risques liés à l'éthique de l'IA.
Surmonter les défis systémiques
Pour débloquer la transformation axée sur l'IA, il est primordial de surmonter les défis systémiques dans l'écosystème des régimes — applications patrimoniales, silos de données et données bruitées. Les systèmes hérités manquent souvent d'interopérabilité, ce qui rend difficile l'unification des données provenant de sources disparates et freine l'adoption de l'IA. Une gestion inefficace des données, incluant la mauvaise qualité et la métadonnée, complique encore plus la formation et la performance des modèles IA. Pour atténuer ces défis, les organisations doivent établir une solide base de données qui intègre les différentes sources dans un seul cadre de gestion de l'IA, accompagné d'une traçabilité et d'une observabilité des données.
Gouvernance solide et IA responsable
L'adoption généralisée de l'IA exigera également des contrôles de gouvernance robustes et des garde-fous d'IA responsable fondés sur des cadres de gestion de la confiance et des risques (TRiSM) pour garantir l'intégrité des données, la conformité et la transparence. Implanter l'IA dans un environnement contrôlé permet de prévenir les biais, renforcer l'explicabilité et garantir le déploiement éthique. Pour bâtir le modèle ultime d’« IA responsable », une validation continue, des audits de biais et une supervision humaine sont essentiels afin de minimiser les biais et favoriser des décisions justes et précises.
Distillation structurée des cas d’utilisation
La réussite de l’adoption repose sur une stratégie structurée de sélection des cas d’utilisation basée sur l’impact commercial, la faisabilité technique, la disponibilité des données, l’acceptation utilisateur et l’analyse coûts-bénéfices. Par exemple, l'automatisation des réclamations par l'IA peut fortement réduire le temps de traitement et les coûts administratifs (impact commercial), est réalisable sur le plan technique avec les grands modèles de langage (LLM), dépend de données structurées sur les réclamations (disponibilité des données) et est très bien acceptée des payeurs et des fournisseurs. Un autre exemple consiste en la notation prédictive du risque pour la gestion des maladies chroniques, qui combine données cliniques et de réclamations pour permettre des interventions proactives, améliorant ainsi les résultats pour les membres tout en étant rentable. Le suivi de l'impact de l'IA sur l'efficacité opérationnelle et la satisfaction des consommateurs à l'aide de mesures de performance solides garantit qu'elle apporte une réelle valeur ajoutée.
Déploiement progressif et passage à l’échelle
Les régimes d'assurance maladie peuvent prouver leur valeur en déployant l'IA dans des domaines à fort impact et à faible risque, avec un ROI mesurable, avant de passer à une transformation à l'échelle de l'entreprise. À mesure que les connaissances générées par l'IA s'améliorent grâce aux données du monde réel, l'adoption peut s'étendre des fonctions de base aux secteurs à forte valeur ajoutée, tels que la gestion des maladies et la planification de soins de précision et personnalisés. Les dirigeants des régimes doivent rester conscients des effets de l'adoption de l'IA sur leurs employés, intégrer des stratégies efficaces de gestion du changement, offrir des formations complètes et des modèles d'IA explicables qui fournissent des justifications transparentes pour accroître la confiance dans l'IA.
Au-delà des preuves de concept
Bien que l’optimisme envers l’IA demeure élevé parmi les régimes d'assurance maladie, beaucoup n’en tirent pas encore pleinement parti. Il faut aller au-delà des preuves de concept afin de déployer la technologie à grande échelle, en atténuant les risques éthiques et juridiques et en établissant de bonnes pratiques en gouvernance des données et des systèmes. Cela permettra à leurs chaînes de valeur de développer de nouvelles dynamiques d’affaires et propositions de valeur pour se maintenir et croître dans un marché concurrentiel.
Références :
- HFS Research – Plus de 70 % des payeurs et fournisseurs anticipent le plus grand impact de GenAI sur les résultats de santé et l'expérience des membres, selon le rapport HFS Research et Cognizant. Consulté en mars 2024. https://www.hfsresearch.com/press-release/70-of-payers-and-providers-anticipate-greatest-impact-of-gen-ai-on-health-outcomes-and-member-experience-according-to-hfs-research-and-cognizant-report/
- Define Ventures. À l’intérieur du C-Suite – Les leaders des payeurs et fournisseurs partagent leur vision de l’IA. Consulté en mars 2024. https://www.definevc.com/insights/inside-the-c-suite-payer-provider-leaders-unveil-their-vision-for-ai
- McKinsey – Profiter de l'occasion de l'IA pour les payeurs. Consulté en mars 2024. https://www.mckinsey.com/industries/healthcare/our-insights/the-ai-opportunity-how-payers-can-capture-it-now
