جوزف برابردو[1]، مدیر اجرائی شرکت کاریسک پارتنرز[2]، در این باره اظهار داشت: «تمامی بیمه‌گران، صدها اگرنگوییم هزاران پرونده مطالبات معوق از این دست دارند. آنها تمایلی به تسویه این خسارات ندارند. گویا این پرونده‌ها، در گوشه‌ای مانده‌اند و [فقط] وارد سیستم شده‌اند. هیچ نوع اخطاری نسبت به آنها وجود ندارد، تااین‌که [کاشف به عمل می‌آید] براساس دستورالعمل‌ها نبودند ویا مبلغ هنگفتی که انتظارش نبود، برای آنها پرداخت شده است.»

هیچ توجهی به این نوع پرونده‌های خسارت نمی‌شود و زمانی هم که به آن پرداخته می‌شود، خیلی دیر شده است، چراکه به نظر، بسیار بی‌چالش و ساده هستند مانند رگ‌به‌رگ شدن کمر یا دررفتگی آرنج. با دریافت دارو و درمان، کارگر توان پیدا می‌کند تا به سرکار بازگردد. اما، مسیر بهبود به این آسانی نیست.

چندابتلائی و عوامل سلامت رفتاری غیرمرتبط با آسیب، همچنان بر رویه درمان اثر خواهد گذاشت. شرایطی مانند دیابت یا بیماری قلبی ممکن است، سبب شود تا کارگر نتواند در جلسات درمان‌گر دیابت شرکت کند و این موضوع، ترمیم زخم وی را طولانی‌تر کند. ضعف در سلامت روان و عواطف نیز می‌تواند بر انگیزه کارگر آسیب‌دیده به منظور تلاش برای بهبودی اثر بگذارد.

ابتدا، تمرکز بر سلامت رفتاری، راهبرد شرکت کاریسک برای کنترل هزینه‌های بخش مطالبات جبران خسارت کارگران از روز اول بوده است. درمان کارگر آسیب‌دیده به عنوان یک فرد کامل، در مرکز اصلی مأموریت شرکت قرار دارد.

براردو می‌افزاید: « تاحدزیادی، عوامل مهم سلامت رفتاری، درد، افسردگی شدید، اختلال اضطراب پس از سانحه (PTSD)[3] و اضطراب[4] هستند. هنگامی‌که فرد آسیب می‌بیند و قادر به رفتن به سرکار نیست، این حالت ترس و استرس ایجاد می‌کند. «چطور باید فیش‌ها را پرداخت کنم؟ آیا کارم را می‌توانم ادامه دهم؟» این نوع اضطراب، می‌تواند مخرب باشد و قطعاً رویه بهبود جسمانی را دشوار می‌سازد.»

اگرچه تاکنون، بخش بیمه جبران خسارت کارگران نسبت به همبستگی بین سلامت رفتاری و جسمانی، کاملاً آشنا است، اما در عوامل ریسک سلامت و ترجمه این داده‌ها به یک رویه عملیاتی، همچنان دچار چالش است.

براردو می‌افزاید: «در شرکت کاریسک، ما از هوش مصنوعی (AI)[5]، یادگیری ماشین[6] و فناوری نویسه‌خوان نوری (OCR)[7] به منظور تحلیل یادداشت‌های بالینی و کمک به شناسایی خساراتِ دارای ریسک بالا پیش از آن‌که از مسیر منحرف شوند، حداکثر بهره‌برداری را می‌بریم.»

ارزشِ پیش‌گویانه داده‌های ساختارنیافته

مطالبات جبران خسارت کارگران مملو از داده‌های ساختاریافته و ساختارنیافته،‌ غنی است. داده‌های ساختاریافته شامل هزینه‌های پزشکی و کدهای تشخیص بیماری است. داده‌های ساختارنیافته شامل کلیه پیوست‌هایی است که در یک پرونده خسارت آمده است ازجمله گزارش‌های رسمی پزشکی و یادداشت‌های بالینی که در طی مسیر درمان کارگر آسیب‌دیده، نوشته شده است. تهیه اطلاعات معنادار از این پیوست‌ها، بسیار دشوار است، اما همین اطلاعات برای پیش‌بینی و پیشگیری از بهبود به‌تأخیرافتاده، حیاتی هستند.

برابردو اضافه می‌کند: «این یادداشت‌ها به ما می‌گویند تا در زندگی این فرد چه می‌گذرد که می‌تواند بر بهبود وی اثر بگذارد.»

هم‌اکنون، هوش مصنوعی، یادگیری ماشین و نویسه‌خوان نوری می‌تواند به بیمه‌گران و ارزیابان خسارت کمک کند تا این یادداشت‌ها را برای کشف کلمات کلیدی که با مطالبات بهبود به‌تأخیرافتاده، مرتبط کنند. حتی یک فناوری جدیدتر با عنوان فلن-تی۵-اکس‌ال[8] از هوش مصنوعی و یادگیری ماشین برای انتخاب نشانه‌های محیطی و توصیف حال و هوای ارتباطات نوشتاری استفاده می‌کند تا بینشی نسبت به وضعیت عاطفی بالقوه بیمار، ارائه دهد.

برابردو اظهار می‌دارد: «آنچه در این رویه اتفاق می‌افتد آن است که کلمات کلیدی، از ترکیبی از کلمات و نشانه‌های محیطی برداشت می‌شود و با یک یا چند تشخیص بیماری که از پرونده خسارت جمع‌آوری شده است، در کنار هم قرار می‌گیرند. بنابراین، داده‌های ساختارمند با داده‌های ساختارنیافته ترکیب می‌شوند تا تصویر کامل‌تری از مسیر بهبود احتمالی کارگر آسیب‌دیده ترسیم شود.»

ثبت عوامل ریسکی همچون اختلال ناشی از مصرف مواد[9]، اضطراب، افسردگی، اختلال اضطراب پس از سانحه، درد بافت عضلانی (فیبرومیالژیا)[10]، التهاب مفصل (آرتروز) و شرایط درد مزمن، همگی اخطار محسوب می‌شوند و سبب می‌شوند تا تیم خسارات تمامی منابع خود را وقف این‌گونه پرونده‌ها کنند، حتی ممکن است، یک مدیر پرستار برای پرونده اعزام کنند. حمایت بیشتر از کارگر آسیب‌دیده در ابتدای مسیر بهبود می‌تواند به طول مدت و هزینه خسارات تحت کنترل، کمک کند.

تولید داده‌های قابل‌عملیات‌سازی

شرکت کاریسک در میان اولین‌ شرکت‌هایی است که در بخش جبران خسارت کارگران به خلق محصولی به منظور ثبت و تحلیل داده‌های مربوط به مطالبات ساختارنیافته اقدام کرده است.

برابردو می‌افزاید: «اساساً، ابزار هوشمند پیشرفته تجاری ما، پیشرفت در کاری است که ما در بخش تهاتر همواره انجام می‌داده‌ایم – یعنی جایی‌که پرداخت‌کنندگان می‌توانند مطالبات را به صورت الکترونیکی و مستقیم از سامانه‌های ثبت الکترونیکی اطلاعات پزشکی (EMR)[11] مطب‌ها ارسال نمایند. ما تنها گام بعدی در تحلیل این داده‌ها را به روشی هدفمند برداشته‌ایم.»

«گروه بالینی ما بر شناسایی ترکیب‌ها و کلمات کلیدی که معنای بالینی دارند، کار می‌کنند. بنابراین، ترکیبی از کدهای شناسایی بیماری و جفت و جور کردن آنها با اطلاعات ساختارنیافته، سبب می‌شود تا ما یک بیمار را در بالای فهرست خود قرار دهیم و این به ما می‌گوید که این شخص نیاز به توجه بیشتر از آن‌چه فکر می‌کردیم، دارد. همچنین، این محصول دستورالعمل‌ها را رعایت می‌کند و بنابراین، ما یک منبع اطلاعاتی از ویژگی‌ها، طول مدت و هزینه مطالبات داریم که می‌توانیم آنها را با هم مقایسه کنیم. در واقع ما یک سامانه هشدار زودهنگام راه‌اندازی کرده‌ایم.»

طی زمان، این سامانه می‌تواند به پرداخت‌کنندگان مطالبات جبران خسارت کارگران کمک کند تا مطالبات بهبود به‌تأخیرافتاده خود را کاهش دهند و میلیون‌ها دلار پس‌انداز کنند. مهم‌تر از همه، این کار بدان معناست که کارگران آسیب‌دیده بیشتری از پیامدهای ناشی از استرس و سلامت منفی به دلیل بهبود به‌تأخیرافتاده، نجات خواهند یافت و قادر خواهند بود به کار و زندگی معمول خود با سرعت بیشتری برگردند.