Veien til ekstra oppfølging gikk gjennom et anslag over neste års regninger. Et amerikansk helsesystem skulle finne pasienter med store helsebehov, og brukte en algoritme trent til å forutsi kostnader. Det var et fristende mål å velge. Kostnadene kunne telles og sammenlignes, og de fantes allerede i forsikringsdataene. Behovet for hjelp måtte vurderes, med alt det innebærer å være syk. Regningene lå der, klare til bruk.
Pasientene fikk en skår som rangerte dem. De som lå over 97-persentilen, omtrent de tre prosentene med høyest skår, ble automatisk identifisert for programmet. Under grensen kunne legen fortsatt vurdere om en pasient skulle få tilbudet. Slik fikk anslaget over fremtidige utgifter en ganske håndfast oppgave: å peke ut hvem som skulle få mer hjelp.
Så ble rangeringen holdt opp mot pasientenes helseopplysninger. Ved grensen for automatisk identifisering hadde svarte pasienter i gjennomsnitt 4,8 aktive kroniske tilstander. Hvite hadde 3,8. De sto på samme plass i systemets kø, med ulik sykdomsbelastning. Det var dette forskerne fant da de undersøkte pasientmaterialet fra ett amerikansk helsesystem i 2013–2015.
Pasienter med samme risikoskår ved utvelgelsesgrensen i ett amerikansk helsesystem, 2013–2015.
Målt i penger var bildet et annet. Ved samme skår kostet svarte og hvite pasienter omtrent like mye. Når sykdomsbelastningen var sammenlignbar, var utgiftene til svarte pasienter lavere. Forskjellen oppsto selv om algoritmen ikke brukte opplysninger om rase som inndata. Den hadde fått kostnadene å arbeide mot, og kostnadene var allerede forskjellige.
Regningene var målvariabelen, utfallet modellen ble trent til å forutsi. Treningen kunne gjøres med eldre pasientopplysninger og senere utgifter som allerede var kjent. Modellen beregnet et anslag ut fra det som var registrert på det første tidspunktet. Treningsmetoden sammenlignet anslaget med regningene som kom etterpå, og tilpasset beregningen for å komme nærmere beløpene. Slik kunne modellen bli bedre på det den ble trent til, uten å bli bedre på det helsesystemet ønsket seg.
For en regning forteller at noe er gjort og fakturert. Sykdommen må gjennom flere menneskelige vurderinger før den blir til en utgift i forsikringsdataene. Pasienten må oppsøke hjelp, få adgang til undersøkelse og bli fulgt opp. Et behov kan ha vært der lenge uten å sette slike spor. Bruker vi det registrerte forbruket til å forutsi nye utgifter, kan modellen lære å forutsi disse handlingene sammen med sykdommen. Den lærer av den hjelpen som ble gitt.
Det kan bli en vond sirkel dersom lave utgifter skyldes at noen har fått for lite hjelp. Da kan mangelen på oppfølging trekke den forventede kostnaden ned, og det lave tallet gjøre det vanskeligere å få mer oppfølging. Studien fastslår ikke hvorfor hver enkelt pasient hadde lave utgifter. Men muligheten følger av måten tilbudet fordeles på: Tidligere forbruk blir en inngangsbillett til fremtidig hjelp, også når det tidligere forbruket kan ha vært for lavt.
En romsligere ordning kunne sluppet flere gjennom ved å flytte grensen nedover. Likevel ville pasientene stått i den samme rekkefølgen. Dersom skåren rangerer de rette behovene, men grensen er satt for høyt, kan en lavere terskel være det som trengs. Her lå problemet i hva pasientene ble rangert etter. Å ta inn flere endrer ikke hvem modellen plasserer foran hvem.
Forskerne samarbeidet derfor med produsenten om å gi helseutfall en plass i målet, fremfor å bruke kostnad alene, og rapporterte mindre skjevhet i den reviderte modellen. Det var en forbedring i modellen. For å vite om pasientene faktisk fikk mer hjelp eller bedre helse, måtte også det undersøkes.
Arbeidet er heller ikke over så snart køen er ordnet etter sykdom. Et bestemt tilbud kan hjelpe noen mer enn andre, uten at de som er sykest, får størst nytte av akkurat dette tiltaket. Da må vi vite hva oppfølgingen forandrer, sammenlignet med hva som ville skjedd uten den. En god prognose for pasientens helse kan ikke alene fortelle hvor mye bedre den blir av hjelpen vi velger å gi.