Phối Hợp AI và Rule-Based: Chìa Khóa Nâng Cao Hiệu Quả Bảo Hiểm Sức Khỏe
Năm 2023, ProPublica công bố một điều tra gây chấn động: Cigna đã sử dụng hệ thống tự động có tên PxDx để từ chối hàng chục nghìn yêu cầu bồi thường trong vòng vài giây, mà không có bác sĩ thực sự xem xét hồ sơ bệnh án. Các bác sĩ chỉ phê duyệt hàng loạt những đề xuất từ chối của thuật toán với tốc độ trung bình 1.2 giây mỗi hồ sơ. Cùng thời điểm đó, UnitedHealthcare đối mặt với vụ kiện tập thể vì sử dụng thuật toán AI có tên nH Predict để cắt giảm quyền lợi chăm sóc cho bệnh nhân cao tuổi – một thuật toán mà nguyên đơn cáo buộc có tỷ lệ sai lệch lên tới 90%. Vấn đề không phải ở chỗ AI không chính xác. Vấn đề nằm ở việc các công ty này không thể – hoặc không muốn – giải thích cho bệnh nhân và cơ quan quản lý tại sao những quyết định cụ thể được đưa ra. Đây là bài học đắt giá về việc tại sao ngành bảo hiểm sức khỏe cần một cách tiếp cận cân bằng hơn.
Khi độ chính xác không phải là tất cả
Trong hơn hai thập kỷ làm việc trong ngành bảo hiểm, tôi đã chứng kiến nhiều làn sóng công nghệ đến rồi đi. Nhưng AI khác biệt. Những con số từ nghiên cứu gần đây cho thấy hệ thống AI có thể đạt 99.38% độ chính xác trong việc tính giá bồi thường, so với 93.85% của hệ thống rule-based truyền thống. Đối với các yêu cầu bồi thường phức tạp với nhiều mã thủ tục y tế, khoảng cách này còn rộng hơn: 98.92% so với 88.56%.
Nhưng đây là điều thú vị mà nhiều người chưa nhận ra: trong ngành bảo hiểm sức khỏe, độ chính xác 100% nhưng không giải thích được có thể còn tệ hơn độ chính xác 95% nhưng minh bạch hoàn toàn. Tại sao? Bởi vì chúng ta đang làm việc với sức khỏe của con người và tiền bạc của họ. Mỗi quyết định từ chối bồi thường có thể bị thách thức trước tòa án. Mỗi công thức tính phí bảo hiểm phải được kiểm tra bởi cơ quan quản lý.
Bức tường pháp lý cho nâng cao hiệu quả bảo hiểm
Từ đầu năm 2024, California đã ban hành luật SB1120 với một quy định rất rõ ràng: các công ty bảo hiểm sức khỏe không được phép từ chối, trзадержать hoặc thay đổi quyền lợi bảo hiểm dựa chỉ trên thuật toán. Mọi quyết định bất lợi cho khách hàng phải được bác sĩ có chứng chỉ hành nghề xem xét lại. Hơn nữa, nếu AI có đóng góp vào quyết định, công ty phải thông báo cho khách hàng biết.
Châu Âu còn khắt khe hơn. GDPR trao cho người dân “quyền được giải thích” – nghĩa là nếu bạn bị từ chối bảo hiểm dựa trên quyết định tự động, bạn có quyền yêu cầu giải thích chi tiết lý do tại sao. Một mô hình deep learning với hàng triệu tham số không thể đáp ứng yêu cầu này.
Điều này không có nghĩa là AI vô dụng. Ngược lại, nó cho chúng ta thấy rằng cần một kiến trúc thông minh hơn.
Kiến trúc 3 tầng: Ứng dụng công nghệ trong nâng cao hiệu quả bảo hiểm
Sau khi tư vấn cho nhiều công ty bảo hiểm trong quá trình chuyển đổi số, tôi nhận ra mô hình hiệu quả nhất không phải là AI thay thế con người, cũng không phải là giữ nguyên hệ thống cũ. Đó là một kiến trúc ba tầng, mỗi tầng đảm nhận vai trò riêng.
Tầng đầu tiên là AI – bộ não phân tích. Ở đây, machine learning làm những việc mà nó giỏi nhất: phân tích hàng triệu hồ sơ bệnh án để đánh giá rủi ro, quét hàng nghìn trang tài liệu yêu cầu bồi thường để tìm thông tin quan trọng, nhận diện các mẫu hình gian lận mà mắt người không thể phát hiện. Một nghiên cứu cho thấy AI có thể xử lý một yêu cầu bồi thường trung bình trong 5.8 giây, so với 32.4 giây của hệ thống rule-based – nhanh hơn 82%.
Tầng thứ hai là các quy tắc nghiệp vụ – xương sống của tuân thủ. Đây là nơi chúng ta mã hóa các giới hạn bảo hiểm, điều khoản loại trừ, yêu cầu pháp lý và chính sách công ty. Khi AI đề xuất một quyết định, quy tắc sẽ kiểm tra xem quyết định đó có vi phạm bất kỳ chính sách hoặc quy định nào không. Ví dụ, AI có thể đề xuất phê duyệt một yêu cầu bồi thường, nhưng quy tắc sẽ kiểm tra xem số tiền có vượt quá hạn mức hợp đồng không, hoặc liệu khách hàng có đang trong thời gian chờ đợi không.
Tầng thứ ba – và có thể quan trọng nhất – là con người. Không phải mọi con người, mà là những người có chuyên môn phù hợp đặt đúng vị trí. Khi một yêu cầu bồi thường bị từ chối, một chuyên viên phải xem xét lại. Khi một trường hợp nằm ngoài mọi mẫu hình đã biết, một bác sĩ phải đánh giá. Khi khách hàng kháng nghị, một quản lý cấp cao phải quyết định.
Những kịch bản cụ thể
Để hiểu rõ hơn về cách kiến trúc này hoạt động, hãy xem xét một số tình huống thực tế.
Định giá bảo hiểm: Đây là nơi sự kết hợp 40% AI và 60% quy tắc hoạt động tốt nhất. AI học từ dữ liệu lịch sử để dự đoán mức phí cơ bản dựa trên tuổi, địa điểm và tiền sử bệnh án. Một người 45 tuổi ở Hà Nội với tiền sử khỏe mạnh có thể được AI đề xuất phí cơ bản 4 triệu đồng mỗi năm. Sau đó, quy tắc sẽ cộng thêm các khoản phí cố định: 1 triệu cho bảo hiểm nằm viện, 200 nghìn cho xe cấp cứu, 500 nghìn cho phụ phí đại dịch nếu đang trong thời kỳ dịch bệnh. Kết quả cuối cùng là 5.7 triệu – một con số vừa chính xác vừa có thể giải thích được từng đồng.
Xét duyệt yêu cầu bồi thường: Đây là sân chơi của AI với 80% quyết định được tự động hóa. Khi một khách hàng nộp hồ sơ bồi thường gồm 15 trang hóa đơn, 3 toa thuốc và 2 bản tường trình y tế, AI sử dụng công nghệ OCR để trích xuất thông tin, NLP để hiểu nội dung y tế, và mô hình machine learning để đánh giá tính hợp lý của chi phí. Trong vòng vài giây, nó có thể xác định rằng đây là một ca mổ ruột thừa thông thường với chi phí hợp lý. Quy tắc kiểm tra giới hạn bảo hiểm – khách hàng còn 50 triệu trong hạn mức năm, ca mổ này tốn 30 triệu. Hệ thống tự động phê duyệt. Không cần con người can thiệp. Nhưng nếu AI phát hiện điều gì đó bất thường – ví dụ bệnh nhân được mổ hai lần trong một tuần – quy tắc sẽ bật cờ cho chuyên viên xem xét.
Phát hiện gian lận: Đây là nơi AI thực sự tỏa sáng với 85% tỷ trọng. AI có thể phân tích mạng lưới quan hệ giữa bệnh nhân, bác sĩ và phòng khám để phát hiện các mẫu hình đáng ngờ. Một bác sĩ đột nhiên kê đơn một loại thuốc đắt tiền gấp 10 lần bình thường trong tháng trước? Một phòng khám có tỷ lệ ca mổ cao bất thường? Năm bệnh nhân không quen biết nhau cùng đến một phòng khám xa xôi trong cùng một ngày? AI đánh dấu tất cả những điều này. Quy tắc đặt ngưỡng rủi ro – trên 85% thì phải điều tra. Con người thực hiện điều tra thực tế.
Những công ty đã triển khai mô hình hybrid này đang gặt hái kết quả ấn tượng. Số lượng yêu cầu bồi thường chờ xử lý giảm 68.3% trong sáu tháng đầu. Thời gian phê duyệt ủy quyền trước điều trị giảm từ vài ngày xuống vài giờ. Tỷ lệ phát hiện gian lận tăng 29%. Quan trọng hơn, điểm hài lòng của khách hàng tăng 25% vì họ nhận được quyết định nhanh hơn và rõ ràng hơn.
Nhưng có lẽ con số quan trọng nhất không phải là hiệu quả hay tiết kiệm chi phí. Đó là tỷ lệ tuân thủ pháp lý: 100%. Không một quyết định nào bị cơ quan quản lý từ chối vì thiếu giải thích. Không một khiếu nại nào bị tòa án bác bỏ vì quy trình không minh bạch.
Lộ Trình Triển Khai Thực Tế
Từ kinh nghiệm tư vấn, tôi khuyên các công ty bắt đầu từ những điểm dễ giành chiến thắng nhanh. Trong sáu tháng đầu, tập trung vào ủy quyền trước điều trị và phân loại yêu cầu bồi thường. Đây là hai quy trình có dữ liệu sẵn, quy tắc rõ ràng và ảnh hưởng trực tiếp đến trải nghiệm khách hàng. Xây dựng nền tảng kết hợp AI và quy tắc song song. Kỳ vọng tiết kiệm 20-30% chi phí nhân công.
Sáu tháng tiếp theo, mở rộng sang định giá rủi ro, phát hiện gian lận và tính toán phí bảo hiểm. Chính thức hóa các quy tắc tuân thủ và thiết lập quy trình xem xét của con người cho các trường hợp ngoại lệ. Tốc độ xử lý cải thiện 40-50%, hài lòng khách hàng tăng 25%.
Từ năm thứ hai, tập trung vào quản trị mô hình – huấn luyện lại định kỳ, kiểm tra thiên kiến, xây dựng hệ thống audit trail cho mọi quyết định. Đây là lúc doanh nghiệp đạt được 60% giảm chi phí vận hành và trên 99% độ chính xác đồng thời đảm bảo tuân thủ pháp lý đầy đủ.
Những Yếu Tố Thành Công Thực Sự
Sau khi theo dõi hàng chục dự án triển khai, tôi nhận ra rằng công nghệ chỉ là một phần của câu chuyện. Yếu tố quyết định thành bại thường nằm ở những điều tưởng chừng đơn giản.
Chất lượng dữ liệu đứng đầu danh sách. AI chỉ tốt bằng dữ liệu huấn luyện nó. Nếu dữ liệu lịch sử thiên về một nhóm khách hàng nhất định, AI sẽ phát triển thiên kiến không mong muốn. Một công ty phát hiện ra mô hình AI của họ có xu hướng đánh giá cao rủi ro của phụ nữ trẻ chỉ vì dữ liệu lịch sử chứa nhiều trường hợp thai sản – một thiên kiến họ phải sửa chữa ngay lập tức.
Tài liệu hóa quy tắc cũng quan trọng không kém. Mỗi quy tắc phải có lý do rõ ràng, có thể kiểm tra được và được phê duyệt bởi người có thẩm quyền. Khi cơ quan quản lý hỏi tại sao một khách hàng bị từ chối, công ty phải chỉ ra chính xác quy tắc nào được áp dụng và tại sao quy tắc đó tồn tại.
Quản trị con người có lẽ là khó nhất. Ai chịu trách nhiệm khi AI đưa ra khuyến nghị sai? Ai có thẩm quyền ghi đè quyết định của hệ thống? Làm thế nào để đảm bảo chuyên viên không chỉ đơn giản chấp nhận mọi đề xuất của AI mà không suy nghĩ? Những câu hỏi này cần được trả lời trước khi triển khai, không phải sau khi vấn đề xảy ra.
Tương Lai Đã Ở Đây
Ngành bảo hiểm sức khỏe đang ở một ngã rẽ. Một bên là áp lực cạnh tranh đòi hỏi hiệu quả cao hơn, chi phí thấp hơn, dịch vụ nhanh hơn. Bên kia là yêu cầu pháp lý ngày càng nghiêm ngặt về minh bạch, công bằng và trách nhiệm giải trình. May mắn thay, chúng ta không phải chọn một trong hai.
Mô hình hybrid kết hợp AI, quy tắc và con người không phải là sự thỏa hiệp. Đó là sự tổng hợp tốt nhất của cả ba thế giới: độ chính xác và hiệu quả của AI, sự minh bạch và tuân thủ của quy tắc, khả năng phán đoán và trách nhiệm của con người. Các công ty đang áp dụng cách tiếp cận này không chỉ đáp ứng được yêu cầu pháp lý mà còn tạo ra lợi thế cạnh tranh bền vững.
Câu hỏi không còn là “AI hay quy tắc?” nữa. Câu hỏi là “Làm thế nào để phối hợp chúng một cách thông minh nhất?” Và câu trả lời, như những con số đã chứng minh, nằm ở việc hiểu rõ điểm mạnh của từng công cụ và đặt chúng đúng vị trí trong quy trình của bạn.
Tài Liệu Tham Khảo
- “AI-Driven Claims Repricing vs Rule-Based Systems: A Comparative Analysis”, World Journal of Advanced Engineering Technology and Sciences, 2025. Nghiên cứu 24 tháng so sánh hiệu suất của hai hệ thống trên nhiều tổ chức healthcare lớn.
- “Regulatory Challenges of AI in Health Insurance: GDPR, SB1120, and Beyond”, JAMA Health Forum, 2024. Phân tích các quy định pháp lý ảnh hưởng đến việc áp dụng AI trong bảo hiểm sức khỏe.
- Zwillgen LLP, “California SB1120: New Rules for AI in Claims Processing”, 2024. Hướng dẫn chi tiết về yêu cầu pháp lý mới tại California.
- SmartDev, “AI Use Cases in Health Insurance: From Underwriting to Claims”, 2024. Tổng quan các ứng dụng thực tế của AI trong bảo hiểm sức khỏe.
- “Hybrid AI-Rule Based Approach for Premium Calculation”, World Journal of Advanced Research and Reviews, 2023. Case study về việc kết hợp AI và rules trong tính toán phí bảo hiểm.
- SCN Soft, “AI in Insurance Underwriting: Benefits and Implementation”, 2024. Nghiên cứu về cải thiện 30% độ chính xác khi sử dụng AI trong định giá rủi ro.
- V7 Labs, “AI in Insurance: Real-World Use Cases and ROI”, 2024. Phân tích ROI và hiệu quả của các dự án AI trong bảo hiểm.
- Arya.ai, “Rules vs AI for Claims: The Choice Dilemma”, 2024. So sánh chi tiết ưu nhược điểm của hai phương pháp.
- FlexRule, “Machine Learning in Health Insurance: When to Use Rules vs ML”, 2024. Framework quyết định khi nào sử dụng quy tắc, khi nào sử dụng machine learning.
Ông Hùng Nguyễn – Trưởng phòng Phát triển Sản phẩm – Khối Chăm sóc Sức khỏe FPT IS
Chuyên gia có hơn 10 năm kinh nghiệm trong lĩnh vực phát triển phần mềm và chuyển đổi số, với thế mạnh trong việc thiết kế kiến trúc hệ thống, xây dựng sản phẩm số và dẫn dắt đội ngũ kỹ thuật triển khai các dự án quy mô lớn. Định hướng phát triển công nghệ gắn liền với chiến lược kinh doanh, giúp doanh nghiệp tối ưu vận hành và tạo ra lợi thế cạnh tranh bền vững.
Các bài viết tương tự
Gian Lận Bảo Hiểm: Từ Siêu Xe Lamborghini Đến Bài Toán Tỷ Đô
