米国政府のパイロットプログラムは、AIを事前承認ワークフローに組み込み、アルゴリズムに治療の給付可否を判断させている。仕組みは平凡だが、その重要性は決して小さくない。

事前承認は医療における最も高コストな摩擦の一つである。業界推計では、米国の医療システム全体における管理業務コストは年間数千億ドルに上るとされ、保険者はすでにルールエンジンを活用して申請の振り分けを行っている。ここでの戦略的転換は質的なものだ:決定論的なルールセットから、意図と臨床的適合性を推測する確率論的モデルへの移行である。これにより責任の所在が変わる。ルールエンジンが請求を拒否した場合、そのロジックは監査可能だ。しかしモデルが拒否した場合、その理由は統計的なものであり、'モデルが決定した'という説明は訴訟や規制当局の審査に耐えられない。UnitedHealthのOptumとCignaはすでにアルゴリズムによる拒否をめぐる集団訴訟に直面している。経営幹部はこのパイロットプログラムを青信号としてではなく、コンプライアンス体制の予告編として読み解くべきだ。

スループットの問題だけでなく説明責任の問題を解決するベンダーには、真の機会がある。Epic、Availity、そして新興企業の波(Cohere Health、Anterior、Latent)が、AIを承認の加速手段として位置づけようと競い合っている。勝利のピッチは'より速く拒否する'ではなく、'防御可能な監査証跡とともにより速く承認する'だ。スピードは両刃の剣である:拒否率を上げる自動化は、採用を阻む精査を招く。

グローバル企業にとっては、テンプレート効果に注目すべきだ。セクター特化型のAI規制(不動産におけるNew Yorkの開示推進など)は、規制当局が広範な要求の前に、リスクの高い領域で説明可能性を求めることを示している。EU AI法はすでに医療関連の意思決定を高リスクとして分類している。米国の医療における先例は、世界中の保険会社、銀行、雇用主が自動化された不利益決定をどう擁護するかに波及するだろう。

推奨アクション:(1)保険者とヘルステックベンダーは、規制当局が具体化する前に、人間によるループ内チェックポイントと不変の決定ログを今すぐ構築すべきだ。(2)投資家は、異議申立率と覆された統計を実証できないAI承認案件を割り引いて評価すべきだ。(3)隣接する規制業種の企業は、このパイロットプログラムを自動化された不利益決定がどう統制されるかの参照アーキテクチャとして扱い、それに応じてコンプライアンス機能を配置すべきだ。