Machine learning in health financing: benefits, risks and regulatory needs.

There is increasing use of machine learning for the health financing functions (revenue raising, pooling and purchasing), yet evidence lacks for its effects on the universal health coverage (UHC) objectives. This paper provides a synopsis of the use cases of machine learning and their potential benefits and risks. The assessment reveals that the various use cases of machine learning for health financing have the potential to affect all the UHC intermediate objectives - the equitable distribution of resources (both positively and negatively); efficiency (primarily positively); and transparency (both positively and negatively). There are also both positive and negative effects on all three UHC final goals, that is, utilization of health services in line with need, financial protection and quality care. When the use of machine learning facilitates or simplifies health financing tasks that are counterproductive to UHC objectives, there are various risks - for instance risk selection, cost reductions at the expense of quality care, reduced financial protection or over-surveillance. Whether the effects of using machine learning are positive or negative depends on how and for which purpose the technology is applied. Therefore, specific health financing guidance and regulations, particularly for (voluntary) health insurance, are needed. To inform the development of specific health financing guidance and regulation, we propose several key policy and research questions. To gain a better understanding of how machine learning affects health financing for UHC objectives, more systematic and rigorous research should accompany the application of machine learning. Alors que l’apprentissage machine connaît un usage croissant pour les fonctions de financement de la santé (collecte de revenus, mise en commun et achat), les preuves manquent quant à ses effets sur les objectifs de la couverture sanitaire universelle (CSU). Ce document présente une synthèse des cas d’utilisation de l’apprentissage machine et de leurs avantages et risques potentiels. L’évaluation révèle que les différents cas d’utilisation de l’apprentissage machine pour le financement de la santé sont susceptibles d’affecter tous les objectifs intermédiaires de la CSU: la distribution équitable des ressources (à la fois positivement et négativement), l’efficacité (principalement positivement) et la transparence (à la fois positivement et négativement). Il existe également des effets positifs et négatifs sur les trois objectifs finaux de la CSU, à savoir l’utilisation des services de santé en fonction des besoins, la protection financière et la qualité des soins. Lorsque l’utilisation de l’apprentissage machine facilite ou simplifie des tâches de financement de la santé qui vont à l’encontre des objectifs de la CSU, différents risques se font jour, comme la sélection des risques, la réduction des coûts au détriment de la qualité des soins, la réduction de la protection financière ou la surveillance excessive. Les effets positifs ou négatifs de l’utilisation de l’apprentissage machine dépendent de la manière dont la technologie est appliquée et de l’objectif poursuivi. C’est pourquoi s’imposent des orientations et des réglementations spécifiques en matière de financement de la santé, en particulier pour l’assurance maladie (volontaire). Afin d’éclairer l’élaboration de telles orientations et réglementations, nous proposons plusieurs questions clés en matière de politique et de recherche. Pour mieux comprendre la façon dont l’apprentissage machine affecte le financement de la santé dans le cadre des objectifs de la CSU, une recherche plus systématique et plus rigoureuse devrait accompagner la mise en œuvre de l’apprentissage machine. Aunque el uso del aprendizaje automático para las funciones de financiación sanitaria (recaudación de ingresos, mancomunación y compra) es cada vez mayor, no hay evidencias de sus efectos sobre los objetivos de la cobertura sanitaria universal (CSU). Este documento ofrece una sinopsis de los casos de uso del aprendizaje automático y sus posibles beneficios y riesgos. La evaluación revela que los diversos casos de uso del aprendizaje automático para la financiación sanitaria tienen el potencial de afectar a todos los objetivos intermedios de la CSU: la distribución equitativa de los recursos (tanto positiva como negativamente), la eficiencia (principalmente positiva) y la transparencia (tanto positiva como negativamente). También hay efectos positivos y negativos en los tres objetivos finales de la CSU, es decir, la utilización de los servicios sanitarios en función de las necesidades, la protección financiera y la atención de calidad. El uso del aprendizaje automático para facilitar o simplificar tareas de financiación sanitaria contraproducentes para los objetivos de la CSU plantea diversos riesgos, como la selección de riesgos, la reducción de costes a expensas de la calidad de la atención, la disminución de la protección financiera o el exceso de vigilancia. El carácter positivo o negativo de los efectos del aprendizaje automático depende de cómo y con qué fin se aplique la tecnología. Por lo tanto, se necesitan directrices y reglamentos específicos para la financiación sanitaria, en particular para los seguros de salud (voluntarios). Proponemos varias preguntas clave en materia de política e investigación para contribuir a la elaboración de directrices y reglamentos específicos sobre financiación sanitaria. A fin de comprender mejor cómo afecta el aprendizaje automático al logro de los objetivos de la CSU en el ámbito de la financiación sanitaria, la aplicación del aprendizaje automático debería ir acompañada de una investigación más sistemática y rigurosa. رغم الاستخدام المتزايد للتعلم الآلي في أغراض تمويل الصحة (جمع الإيرادات والتجميع والشراء)، إلا أنه هناك حاجة لأدلة تثبت آثاره على أهداف التغطية الصحية الشاملة (UHC). تقدم هذه الورقة ملخصًا لحالات استخدام التعلم الآلي وفوائدها ومخاطرها المحتملة. يكشف التقييم أن حالات الاستخدام المختلفة للتعلم الآلي لأغراض تمويل الصحة، لديها القدرة على التأثير على جميع الأهداف الوسيطة للتغطية الصحية الشاملة - التوزيع العادل للموارد (سواء بشكل إيجابي أو سلبي)، والكفاءة (بشكل إيجابي في المقام الأول)، والشفافية (سواء بشكل إيجابي أو سلبي). هناك أيضًا آثار إيجابية وسلبية على جميع الأهداف النهائية الثلاثة للتغطية الصحية الشاملة، وهي الاستفادة من الخدمات الصحية بما يتماشى مع الحاجة، والحماية المالية، والرعاية عالية الجودة. عندما يؤدي استخدام التعلم الآلي إلى تسهيل أو تبسيط مهام التمويل الصحي التي تؤدي إلى نتائج عكسية لأهداف التغطية الصحية الشاملة، فإن هناك مخاطر مختلفة، على سبيل المثال تحديد المخاطر، أو خفض التكاليف على حساب الرعاية عالية الجودة، أو تقليل الحماية المحدودة، أو المراقبة الزائدة. ما إذا كانت آثار استخدام التعلم الآلي إيجابية أم سلبية، فإن ذلك يعتمد على كيفية تطبيق التكنولوجيا، والغرض منها. وعلى ذلك، فإن هناك حاجة إلى إرشادات ولوائح محددة للتمويل الصحي، وخاصة فيما يتعلق بالتأمين الصحي (الاختياري). للمساعدة في تطوير إرشادات ولوائح محددة للتمويل الصحي، فإننا نقترح العديد من الأسئلة المتعلقة بالسياسات الرئيسية والبحث. للحصول على فهم أفضل لكيفية تأثير التعلم الآلي على التمويل الصحي لتحقيق أهداف التغطية الصحية الشاملة، فإن تطبيق التعلم الآلي يجب أن يصاحبه بحث أكثر نظامية وصرامة. 机器学习在卫生筹资职能（提高收益、资金筹集和购买能力）中的应用越来越广泛，但缺乏证据表明其对全民健康覆盖 (UHC) 目标的影响。本文概述了机器学习的使用案例及其潜在优势和风险。评估表明，机器学习在卫生筹资各种使用案例的应用有可能影响到所有 UHC 的中间目标——资源的公平分配（既有积极影响，也有消极影响）、效率（主要是积极影响）和透明度（既有积极影响，也有消极影响）。对 UHC 的三个最终目标（即根据需要利用卫生服务、财政保障和优质护理）也都产生了积极和消极的影响。当机器学习的应用促进或简化了与 UHC 目标相悖的卫生筹资任务时，就会出现各种风险，例如风险选择、以牺牲优质护理为代价来降低成本、降低财政保障或过度监督。应用机器学习的影响是积极的还是消极的，取决于应用该技术的方式和目的。因此，需要制定具体的卫生筹资指南和法规，特别是针对（自愿）健康保险的。为了为具体卫生筹资指南和法规的制定提供信息，我们提出了几个关键的政策和研究问题。为了更好地了解机器学习会如何影响卫生筹资的 UHC 目标，应在应用机器学习的同时进行更系统和严格的研究。. Машинное обучение все чаще используется для выполнения функций финансирования здравоохранения (сбор доходов, объединение и закупки), однако данные о его влиянии на достижение целей всеобщего охвата населения услугами здравоохранения (ВОЗ) отсутствуют. В этом документе приводится краткий обзор примеров использования машинного обучения, их возможных преимуществ и рисков. По результатам оценки выяснилось, что различные варианты использования машинного обучения для финансирования здравоохранения способны повлиять на все промежуточные цели всеобщего охвата услугами здравоохранения: справедливое распределение ресурсов (как в положительную, так и в отрицательную сторону), эффективность (в основном в положительную сторону) и прозрачность (как в положительную, так и в отрицательную сторону). Кроме того, наблюдаются как положительные, так и отрицательные последствия для всех трех конечных целей всеобщего охвата услугами здравоохранения, а именно: использование медицинских услуг в соответствии с потребностями, финансовая защита и качественное обслуживание. Когда использование машинного обучения облегчает или упрощает задачи финансирования здравоохранения, которые противоречат целям всеобщего охвата услугами здравоохранения, возникают различные риски, например: отбор рисков, сокращение расходов за счет качества обслуживания, снижение финансовой защиты или чрезмерный надзор. Какими будут последствия использования машинного обучения, положительными или отрицательными, зависит от того, как и для каких целей применяется эта технология. Поэтому необходимы специальные руководства и нормативные акты по финансированию здравоохранения, особенно в отношении (добровольного) медицинского страхования. Для разработки конкретных рекомендаций и нормативных актов по финансированию здравоохранения предлагается несколько ключевых вопросов политики и исследований. Для более глубокого понимания того, как машинное обучение влияет на финансирование здравоохранения для достижения целей всеобщего охвата населения услугами здравоохранения, применение машинного обучения должно сопровождаться более систематическими и тщательными исследованиями.

Informations de copyright

(c) 2024 The authors; licensee World Health Organization.

Déclaration de conflit d'intérêts

What are the legitimate needs and rights of an individual (i.e. the right to not want to know about future health-care needs and costs) weighed against a purchaser’s interests in predictive analytics to support health financing decisions and policy design?