大量证据表明，在医疗保险方面，人们很难做出选择。我们想弄清楚哪种类型的工具可以帮助人们做出决策。----凯特•本多夫（M. Kate Bundorf）

斯坦福大学医学院副教授凯特•邦多夫（Kate Bundorf）表示：“有大量证据表明，人们在选择健康保险时会遇到困难。” 复杂性可能是压倒性的，结果，人们经常选择次优计划，以更高的成本对其进行惩罚并创建效率低下的市场。“因此，我们想弄清楚哪种类型的工具可以帮助人们做出决策，”本多夫说。

她与斯坦福医学院的Maria Polyakova和加利福尼亚大学圣地亚哥分校的Ming Tai-Seale一起，开发了一种基于网络的工具，该工具具有一种算法，该算法将Medicare Part D参保人的病历与处方药的最佳健康保险相匹配毒品。使用该算法的人更有可能更改为更好的计划。他们还报告说，他们对选择健康保险的过程更加满意，尽管他们最终花了更多时间在上面。

使保险选择更轻松，更好
研究参与者被分配到对照组或两种治疗方法之一。对照组被引导到现有的在线Medicare资源中，以从他们可用的22种处方计划中选择一种。同时，治疗组获得了算法的支持，该算法自动从他们的病历中提取信息，并将其与处方药计划进行匹配。在审查他们的选择时，两个治疗组都可以在线查看表格，该表格显示了每个计划的可能成本的个性化分析。除此之外，其中一个治疗组还显示了每个计划的“专家评分”，即该算法产生的用于对计划进行排名的数字（从0到100）；表格顶部突出显示了三个最佳选项。

两种治疗方法都鼓励人们改用更优惠的保险计划，但是这种结合“专家”建议和成本估算的方法被证明更为有效。与对照组相比，接受这种治疗的参与者选择计划的频率提高了36％。Bundorf说：“我们发现了明确的证据，表明干预措施改变了人们的行为，特别是在我们提供专家建议的情况下。”

在实验的背景下，这些更改为消费者节省了270,000美元。尽管这似乎是一个相对较小的数字，但它与能够获得专家推荐的316个治疗对象的相对较小的存储库有关。如果将相同的影响推算到参加Medicare D部分的近2500万人，并假设参与率与本多夫和她的同事在该实验中所看到的相同，则将节省6.8亿美元。鉴于该工具本身的开发成本不到180万美元，这一点尤其值得注意。

穿越政策世界

尽管实际含义很明确，但是有两个重要的考虑因素可缓和将这一发现转化为政策的可能性。
首先，一小部分符合条件的人选择参加研究。最后，在将近30,000名受邀者中，有1,185人参加了这项研究；最终加入的人比不参加的人更精通技术。最重要的是，研究人员担心，那些受益最大的人可能没有选择参加。

“选择与算法进行交互的人是老练的消费者；他们是寻找信息的活跃购物者。” Polyakova说。“这表明，如果我们想改善目前计划最糟糕的人们的选择，那么仅仅在线提供该工具将无法解决问题。” 有必要采取更加积极主动的方法。

其次，该研究的总体人口统计学不能代表更广泛的Medicare人口。本多夫和她的同事与帕洛阿尔托医学基金会合作进行了这项实验，这意味着参加实验的人住在该国最富裕，技术最先进的地区之一。结果是否能一概而论。Polyakova说：“可以想象，其他地方的人，他们的收入较低，很少接触这类工具，他们的行为可能会完全不同。”

算法获胜（和警告）

本多夫和她的同事们一开始不确定这种干预是否会改变行为。大量证据表明，仅向人们提供信息不会影响结果。但是结果指向了这项研究的巧妙设计之一：通过进行两种截然不同的处理，研究人员能够单独衡量信息的效果-显示每个计划的消费者总费用-以及与信息配对的专家建议。

“咨询的作用与信息有所不同，Polyakova说。“当人们接触到建议时，它不仅会改变他们对产品的知识，而且还会改变他们实际对产品功能的重视程度。

她指出，这具有复杂而重要的含义。我们倾向于将软件视为中立的-Microsoft Excel没有议程-但是现代算法并非总是如此。公司可以并且可能会从战略上部署建议算法，也许是为了推广某种产品或增加收入，而在此过程中隐藏的将是这些算法改变我们如何评价不同产品的方式。

Polyakova说：“如果人们对这种算法建议做出响应，那么不久的将来就会变得非常有趣。” “有关如何保护消费者免受非良性干预的许多政策和法规问题将很快引起我们的关注。”