用医疗大数据说话

大数据用于健康险是市场热议的话题，但什么样的数据对保险最有价值？以什么形式嫁接大数据和保险能够体现其效果？从现实来看，大数据在保险公司的应用还存在一些问题。

大数据的来源问题

保险公司很难得到全面的用户数据，如果仅基于理赔数据来做分析，会面临几方面的问题：一是数据不全面。理赔数据中所包含的患者医疗信息只是医疗数据的一部分，尤其在诊断信息上，理赔数据只包含简单的诊断结论，缺乏详细的诊断方案且理赔数据只包含保险公司与医疗机构有支付关系的项目，一些项目没有涵盖其中。

二是数据不连续性。即使在美国这样成熟的商业保险市场，团体用户两三年便更换保险公司也十分常见，个人用户因为价格、保障面等多方面因素，可能更频繁地更换保险公司。由于之前理赔数据的缺乏，保险公司无法通过连续的数据来推断用户或者团体的风险。

第三，数据滞后。理赔数据有几个月的滞后，无法反应当下的情况，如果保险公司要基于此做出干预，则无法准确判断用户当下的健康状况和所需的行动。如果只是根据历史数据进行趋势分析，则可能在某个节点上缺乏最近几个月的数据而造成数据不全。

从以上三个方面来看，用理赔数据来做大数据分析有相当大的缺陷。如果要用理赔数据来分析用户风险并定位到单个用户或团体，对用户进行健康干预以及预测未来医疗费用，则可能因数据不连续、不全面以及滞后导致无法显示个体或团体健康问题全貌。如果以这些数据为基准去推算疾病风险、开支增长趋势，并用于产品设计，数据并不全面，且很可能不能反映当下的趋势。

大数据用于保险的方式

美国商保公司Clover Health对用户给出不同的风险系数，进而进行干预，比如致电用户提醒其检查。但这种干预模式成本很高，因为其干预过程是一个个性化过程。比如，对一个心脏病患者，在不同阶段的干预需求不一样，而对于不同种类疾病的用户，干预等于建立一套新的疾病管理流程，所需成本相当高。尽管数据分析可以通过一套系统和模型来进行，可后续方案的设计需要人工投入，尤其是专业投入，成本也相当大。对于一家会员人数本身不高，且理赔率很高的小型保险公司来说，要维护这样的数据分析业务压力很大。

其次，干预的效果到底有多少？目前无论是大保险公司还是Clover Health这样宣称以大数据见长的新型保险公司，都没有成熟模式来量化干预的效果。且从以往的经验来看，保险公司主导的干预办法由于缺乏医生和医疗机构的直接参与，在干预上有很多脱节点，效果并不好。用户的病情有不同的阶段，而不同阶段所需要的健康管理者是不一样的，比如刚出院需要密切跟踪阶段需要主治医生的直接介入，而之后可能更需要护理者来关注其恢复情况，等病情稳定后，则转给家庭医生进一步随访。如果没有这些服务者参与，仅凭保险公司团队无法保证干预效果，对于直接控制费用的效果的体现则更加难。

结语<<<

从上面两方面的原因来看，保险公司用理赔数据来进行大数据分析和干预的办法，未能直接体现到费用控制的效果上。而有助于体现用户真正健康风险，并能够做出有效干预的数据是来自服务方为主的数据，这些数据的来源主要是电子病历，其中包括了比理赔数据更详细的诊疗数据，还有检查、用药数据，以及病患的手术史、过敏史、用药副作用等用户数据。

此内容为《医药经济报》融媒体平台原创。未经《医药经济报》授权，不得以任何方式加以使用， 包括转载、摘编、复制或建立镜像。如需获得授权请事前主动联系：020-37886610或020-37886753；yyjjb@21cn.com。