Mỗi khi một đơn thuốc được hoàn thành hoặc một xét nghiệm phòng thí nghiệm được lập hóa đơn, một dòng mới lại xuất hiện trong sổ cái khổng lồ của các yêu cầu bồi thường y tế. Những hồ sơ này, vốn được tạo ra nhằm mục đích hoàn trả tài chính thay vì phục vụ nghiên cứu, từ lâu đã bị xem là những nhiễu động hành chính không đáng kể. Tuy nhiên, một mô hình nền tảng mới được huấn luyện trực tiếp trên các chuỗi yêu cầu bồi thường này hiện đang trích xuất các quy luật giúp dự báo sự khởi phát của bệnh tật và mô phỏng kết quả thử nghiệm lâm sàng với độ chính xác đáng kể.
Mô hình này xử lý lịch sử của mỗi bệnh nhân như một chuỗi thời gian của các mã tiêu chuẩn hóa bao gồm chẩn đoán, thủ thuật, thuốc men và các loại hình thăm khám, tương tự như cách các mô hình ngôn ngữ xử lý các câu văn. Bằng cách học các mối quan hệ thống kê từ hàng triệu quỹ đạo này, nó nhận diện được các tín hiệu tiền đề của những tình trạng như suy tim, bệnh thận mãn tính hoặc một số loại ung thư, đôi khi trước khi bệnh xuất hiện nhiều năm. Vì dữ liệu yêu cầu bồi thường đã được tiêu chuẩn hóa và thu thập ở quy mô dân số, phương pháp này tránh được sự phân mảnh và các rào cản về quyền riêng tư thường đi kèm với hồ sơ sức khỏe điện tử thô.
Các kết quả ban đầu chỉ ra rằng mô hình cũng có thể mô phỏng những gì sẽ xảy ra dưới các lộ trình điều trị khác nhau, cung cấp một hình thức mô phỏng thử nghiệm mà không cần tuyển chọn người tham gia hoặc ngẫu nhiên hóa các can thiệp. Khả năng này có ý nghĩa quan trọng bởi các thử nghiệm truyền thống vẫn còn chậm chạp, tốn kém và thường không đại diện cho những bệnh nhân thực tế vốn mắc nhiều bệnh lý kết hợp hoặc đang sử dụng nhiều loại thuốc. Việc mô phỏng quan sát từ các yêu cầu bồi thường có thể đưa ra các ước tính hiệu quả nhanh chóng hơn và trên các nhóm đối tượng rộng hơn, mặc dù các nhà nghiên cứu cảnh báo rằng các yếu tố gây nhiễu không quan sát được và các lựa chọn mã hóa dựa trên mục đích thanh toán vẫn làm hạn chế mức độ chắc chắn.
Những tác động thực tiễn của công nghệ này xuất hiện nhanh chóng trong cuộc sống hàng ngày. Một công ty bảo hiểm hoặc hệ thống y tế sử dụng các dự báo này có thể đánh dấu các cá nhân để sàng lọc sớm hoặc đưa vào các chương trình phòng ngừa. Đồng thời, chính những điểm số đó có thể ảnh hưởng đến các quyết định chi trả hoặc tính toán phí bảo hiểm trước khi bất kỳ triệu chứng nào xuất hiện. Dữ liệu yêu cầu bồi thường không chỉ phản ánh yếu tố sinh học mà còn cả khả năng tiếp cận dịch vụ chăm sóc, thực hành mã hóa và các động lực tài chính; các mô hình được huấn luyện trên chúng có nguy cơ khuếch đại sự bất bình đẳng hiện có trong việc ai được chẩn đoán và điều trị.
Hãy xem xét sự khác biệt giữa một cuốn nhật ký và một sổ đăng ký chi tiêu. Nhật ký có thể mô tả cảm xúc của một người, nhưng sổ đăng ký chỉ cho thấy những gì họ đã trả tiền và thời điểm thực hiện. Tuy nhiên, các quy luật trong sổ đăng ký — như việc thăm khám chuyên khoa lặp đi lặp lại kèm theo các loại thuốc cụ thể, hoặc các cụm yêu cầu cấp cứu sau các thủ thuật thông thường — có thể tiết lộ những quỹ đạo mà nhật ký bỏ lỡ. Mô hình nền tảng này về cơ bản là đọc sổ chi tiêu ở quy mô dân số, biến các hiện vật hoàn trả thành các dự báo xác suất. Các nhà phát triển dược phẩm thấy đây là con đường để tạo ra giả thuyết nhanh hơn và giám sát sau thị trường hiệu quả hơn.
Các cơ quan quản lý đối mặt với nhiệm vụ khó khăn hơn trong việc quyết định khi nào bằng chứng mô phỏng đủ tin cậy để thông tin cho việc dán nhãn thuốc hoặc phạm vi chi trả. Trong khi đó, bệnh nhân hiếm khi biết rằng lịch sử yêu cầu bồi thường của họ đang được sử dụng theo cách này và có rất ít quyền can thiệp một khi các dự báo đã tồn tại. Điểm mạnh của mô hình — khả năng hoạt động với dữ liệu đã có sẵn trong hệ thống — cũng khiến việc giám sát trở nên khó khăn hơn, vì đầu vào không được thu thập dưới khung thỏa thuận nghiên cứu. Câu hỏi then chốt không phải là liệu các dự báo có khả thi về mặt kỹ thuật hay không, mà là liệu các tổ chức sẽ sử dụng chúng để mở rộng chăm sóc kịp thời hay để phân bổ nguồn lực và rủi ro một cách hiệu quả hơn với cái giá là quyền tự quyết của cá nhân.
