AI驅動的解決方案能夠從以往難以獲取的數據中挖掘出有價值的見解，并以前所未有的規模實現消費者互動和個性化服務，從而提升醫療行業的業務成果。

在快速變化的醫療領域，AI有潛力重塑消費者與醫療服務的互動方式。如今，美國的消費者在尋找合適的保險覆蓋、了解何時應就醫、就醫費用以及如何管理自身健康等方面面臨諸多困難。許多人花費數小時進行研究，與朋友和家人商議，以及致電醫療服務提供者和支付方以尋求問題的答案。事實上，在我們調查的消費者中，有四分之一表示他們無法在需要時獲得所需的醫療服務。

為了應對復雜的醫療生態系統并帶來有意義的改善，僅僅增加人力投入是不夠的，尤其是考慮到勞動力短缺和醫療成本不斷上升的現狀。此時，AI應運而生：這項技術有可能重新構想消費者體驗，并以幾年前無法實現的方式增強互動，它可以幫助實現個性化護理，提高透明度和簡化流程，并確保消費者能夠掌控自己的健康和與醫療相關的決策。最近的一項研究中，醫療保健專業人員評估了醫生在社交媒體論壇上對患者問題的回復，并將其與聊天機器人生成的回復進行了比較，結果發現評估者更偏愛AI的回復，認為其質量更高且更具同理心。

一個好消息是，醫療保健行業已經意識到AI在消費者體驗方面的機遇。麥肯錫對醫療保健行業領導者的調查顯示，62%的受訪者表示消費者互動和體驗是GenAI具有最大潛力的領域，然而，只有29%的受訪者表示其企業已開始出于任何目的實施GenAI。

那些利用AI根據個體需求、偏好和目標來定制醫療保健體驗，同時減輕潛在風險的企業，有可能與消費者建立更加信任的關系。采用包括AI在內的最新技術還可以改善業務成果：據麥肯錫與國家經濟研究局共同發布的一項研究估計，凈節省額可能達到醫療保健支出的5%至10%，具體百分比在私人支付方、公共支付方、醫生團體和醫院之間略有差異。

為何現在將AI應用于醫療保健消費者

AI的成功應用需要數據，而該行業擁有充足的數據供AI工具深入挖掘——全球約30%的數據由醫療保健行業產生。預計到2025年，醫療保健數據的復合年增長率將達到36%。與其他機構(如雇主、政府或科技公司)相比，醫療保健企業在讓消費者愿意分享個人健康相關信息以支持自身健康方面也表現得更為出色。

然而，在采用數字技術方面，醫療保健行業通常落后于其他行業。過去，除了至關重要的患者隱私問題外，利用AI的主要技術挑戰在于無法從非結構化數據中提取有價值的信息，并為高度多樣化的消費者旅程策劃體驗。與其他行業一樣，數據分散在多個系統中，雖然醫療保健行業已經利用了一些結構化數據來推動AI的發展，但在非結構化數據(如通話記錄)方面的應用卻成效有限?，F在，GenAI可以幫助釋放以往無法使用的數據源中蘊含的消費者關鍵信息的力量，并使其適用于更廣泛的AI用途，以學習行為模式，從而提供了一種前所未有的能力，可以在前所未有的規模上提供定制化服務。

隨著技術的飛速發展，它有能力幫助優化醫療保健消費者的旅程。

AI如何簡化整個醫療保健旅程

AI有潛力徹底改變消費者的整個醫療保健旅程。消費者會在幾個核心旅程中體驗醫療服務，雖然這些步驟不必是按時間順序進行的、離散的或對于每個人都相同的，但每個階段都為AI改善體驗提供了機會。

示例1：增強主動護理和健康管理的參與度

人們往往難以做出健康的生活方式選擇，以降低可預防健康狀況的風險。醫療服務提供者和支付方都可以采用AI來促進個性化的預防護理體驗。例如，機器學習(ML)模型可以預測個人的臨床和行為風險，而GenAI可以定制健康計劃并個性化信息，以提高參與的可能性。特別是，對個體有全面了解的綜合醫療服務網絡可以識別護理缺口，并使用AI驅動的模型來建議下一步行動。除了支付方和提供者之外，直接面向消費者的健康公司也越來越多地扮演著健康指導的角色;例如，由AI驅動的Whoop Coach使用用戶Whoop可穿戴設備的生物識別數據，然后對消費者共享的旅程記錄應用機器學習，以生成對健康問題的個性化回應，并指導個人達到最佳狀態。

示例2：讓尋找和預約醫療服務更加便捷

當消費者確定有就醫需求時，找到符合其要求和偏好的醫療服務可能會令人沮喪且耗時。AI可以作為一個24/7的前門，進行信息錄入，以創建關于下一步的初步建議。這樣做有可能加快將消費者引向正確的時間、地點的合適醫療服務的進程。例如，AI可以將患者的偏好與特定提供者的數據相結合，從而創造更流暢的搜索體驗。此外，GenAI可以綜合信息，為消費者就診做好準備，并通過高度個性化的預約提醒來提高參與度。

AI還可能有助于最大限度地減少預約未到的情況，這每年給美國醫療保健系統帶來的成本高達1500億美元。延遲就醫還可能導致患者病情加重。通過分析過去的行為，AI可以幫助醫療服務提供者和支付方主動識別更有可能錯過預約的患者，并提前發送提醒，以及在錯過預約時提供重新預約的選項。例如，巴爾的摩的一家聯邦合格健康中心Total Health Care報告稱，他們使用eClinicalWorks的Healow AI模型來識別高風險未到患者，聲稱這降低了34%的錯過預約率。

示例3：讓保險覆蓋和費用信息更易理解

在就診前后，患者往往難以理解自己的保險覆蓋范圍和應付費用。醫療保健企業或許可以利用AI，根據每個人的溝通偏好(包括語言、閱讀水平等)提供易于理解的預期費用和保險覆蓋范圍總結。例如，醫療系統和支付方可以改進所謂的成本估算工具，以考慮患者正在搜索的特定服務。而在提供服務后，企業可以使用GenAI工具協助患者理解和解決醫療費用問題。

示例4：提高護理質量

護理質量是影響滿意度的最重要因素之一，那些認為自己得到劣質護理的人更換提供者的可能性大約是不認為如此的人的三倍?；颊卟粷M的一個來源是醫生就診時間太短，大約15分鐘，患者認為這不足以獲得高質量的護理。雖然解決這個問題有很多方法，但AI提供了一些有趣的解決方案。例如，改善這種體驗并優先安排高質量時間的一種方法是使用AI驅動的環境監聽技術，這些工具旨在讓醫生能夠全神貫注于患者的擔憂和問題，而技術則負責記錄筆記，以便醫生在就診后進行準確性審查，另一個例子是AI協助住院患者護理，這可能是一個自然語言處理模型，能夠識別臥床患者說出的特定詞語，然后通知護士站以滿足他們的特定需求。

示例5：提高后續護理的依從性

患者在結束醫療保健就診時常常對下一步行動感到不清楚或困惑。GenAI可以將就診記錄、出院總結和保險覆蓋信息以及患者偏好相結合，以易于理解的方式提供就診的重點內容、管理壓力的資源以及下一步所需信息的定制指南，這種方式不含醫學術語，且表現出同理心和理解，這不僅將使患者更容易在醫療保健系統中導航，還將節省臨床醫生的時間。例如，凱撒醫療集團(Kaiser Permanente)報告稱，其基于AI的患者消息傳遞系統有32%的消息在無需醫生輸入的情況下進行了分類，確保了患者能夠及時收到所需信息。

如何加速AI的應用以提高消費者滿意度

盡管AI有潛力改善端到端的消費者醫療保健體驗，但其發展勢頭一直較為緩慢。企業在急于快速抓住機遇和缺乏明確起點之間搖擺不定，同時在部署AI時因潛在風險而普遍持謹慎態度。為了加速AI的應用以升級消費者體驗，我們提出了五個關鍵步驟。

解決70%的數據準備問題

首先，高管們需要在分配資源和資金之前，考慮其企業的數據和技術準備情況。要通過AI為醫療保健消費者提供切實價值，需要整合可供利用的數據，這是一項艱巨的任務，在開發基于AI的解決方案時，平均占據70%的工作量。對于醫療保健行業而言，挑戰在于知道要收集哪些數據以及如何連接這些數據源，數據分散在多個平臺上，格式和效用各不相同(例如，本地托管的醫療索賠或電子健康記錄、云平臺上的營銷信息以及分散在多個系統中的呼叫中心信息)。

盡管與其他行業相比，醫療保健企業在數據量上可能具有優勢，但它們仍然面臨著無法全面了解消費者的問題。例如，護理連續性的中斷使得難以全面了解患者的需求、習慣和偏好。除非建立在人口結構多樣化的數據基礎上，否則AI輸出也可能存在偏見。為了挖掘有意義的見解，企業可以將臨床和患者數據與社會決定因素、患者報告的結果、零售購買和健康追蹤器等信息相結合。

聚焦消費者體驗優先事項以確保AI成功

在評估數據準備情況的同時，領導者可以根據改善客戶體驗(CX)、機遇、策略和可行性的整體優先級，評估和確定AI投資的優先領域。例如，AI可以優化行政流程，減少消費者接觸點，從而降低服務成本。對于醫療服務提供者而言，這可能意味著由于整體體驗的提升而減少取消預約的情況，而對于支付方而言，這可能意味著減少為解答有關福利或覆蓋范圍的問題而進行的后續電話。

這是避免一次性嘗試過多任務、從而限制有意義進展的關鍵步驟。為了確定重點關注的領域，必須讓企業內的跨職能領導者參與進來。特別是臨床領導層，他們對患者痛點以及護理服務和客戶體驗中不起作用的地方有第一手的了解。

優化AI干預的實時見解

一旦數據基礎建立且優先級確定，企業就可以開始研究如何對收集到的數據進行適當的情境化。提供真正個性化的AI見解，需要將多個數據源中的多個接觸點串聯起來，形成個性化的消費者旅程。例如，通過結合關于醫生就診(頻率、就診醫生類型或預約地點)、患者接觸工作、患者的互動和體驗等詳細信息，AI模型可以開發出更貼近消費者行為的表示，這對于構建預測分析以指導未來干預至關重要。

通過分析患者的預約偏好、他們如何或何時對接觸作出反應等細節，AI可以定制時機、頻率和消息主題，以提供最有可能引起共鳴的建議。通用AI可以通過超個性化的消息內容進一步提高這些定時干預的有效性。

繪制醫療保健中的AI風險并制定緩解計劃

與其他行業相比，醫療保健領導者在同意要求、隱私風險、潛在健康影響和監管監督方面面臨著獨特的挑戰。雖然在會員注冊或預約安排期間建立的同意機制允許企業使用某些消費者數據，但消費者沒有簡單的方法來審查或調整這些同意。他們不僅應該能夠在簽署新的同意書時了解數據使用情況，而且還應該能夠了解先前同意的隱私政策的變化，并獲得明確的退出說明。

除了數據使用的透明度外，企業還可以建立治理流程，這些流程也以AI使用和算法透明度為基礎。他們可以向消費者提供關于AI系統的清晰日志和文檔，包括偏見緩解策略和培訓協議，如所用人口概況的詳細信息。隨著消費者期望的變化，就像其他行業一樣，他們希望更容易地訪問和控制自己的數據——例如，一些公司允許客戶決定哪些購買記錄用于訓練機器學習推薦模型——醫療保健企業將面臨越來越大的壓力來效仿此舉。

本就復雜的患者隱私環境又因迅速演變的AI特定法規而更加復雜。美國衛生與公共服務部的AI特別工作組一直在制定政策，作為白宮AI安全行政命令的一部分，以保護患者。最后，為AI構建的更成熟、更集成的數據存儲庫可能成為網絡攻擊的有價值目標。2023年，醫療保健數據泄露事件創下紀錄，記錄了約725起涉及500條或更多記錄的事件，是2017年報告數量的兩倍多。

提升團隊的AI能力

從長遠來看，醫療服務提供企業和支付方將不得不投資于自身的能力和人才，以充分抓住AI帶來的機遇。他們必須仔細平衡對現有人才的技能提升和為AI特定技能而進行的招聘，然后企業戰術團隊來執行所選的舉措。與第三方AI供應商合作也是一個選擇，可能會讓企業更快地行動起來。

提高AI實施成功可能性的一種方法是采用副駕駛模型，即員工與AI工具一起工作，以逐步改進流程。這種模型利用了AI的速度和能力，同時結合人類的技能和直覺來進行制衡，以減輕錯誤和風險。重要的是，這個過程包括在擴展到整個企業之前，在一小部分用戶中進行能力測試和收集學習成果的階段。這種測試和學習策略使企業能夠降低擴展過程中的風險，并衡量現有工作流程中的影響和采用情況。

如今，與醫療保健生態系統的互動往往笨拙且缺乏消費者期望的個性化。AI有潛力通過實現以消費者為中心來重塑醫療保健旅程。構建成功的、可擴展的AI解決方案需要采用迭代方法、明確的受控啟動策略以及關于如何與現有和重新構想的工作流程集成的清晰計劃，還需要關鍵績效指標來放大行之有效的做法。高層的承諾也是抓住飛輪效應力量的關鍵。雖然實現這一革命需要有針對性的投資、數據進步和風險緩解措施，但我們預期這些努力終將獲得回報。醫療保健AI的實施可以使企業的底線、運營和行政職能受益，同時消費者可以更好地掌控自己的健康和養生之旅，并獲得更好的整體健康狀況。