至顶网CIO与应用频道 05月28日 编译:如果大家有机会降低自己的健康保险费或者获取健康习惯奖励,您是否愿意为此调整作息方式?Vitality Health希望能有更多人给出肯定的答案。该公司认为,医疗改革的一大核心应该在于为健康状态付费,而非像传统的保险公司那样为疾病付费。他们正在积极利用技术与数据对用户的健康生活行为进行跟踪与奖励。
作为Discovery Holdings集团旗下的一家子公司,Vitality Health希望成为第一家为人们的健康生活习惯提供奖励的全球保险服务供应商。该公司目前向客户提供健康与人寿保险,其共享价值体系的目标在于通过提供来自数据的健康分析结论为良好的生活行为提供奖励,从而保持较低保费水平并以更低成本改善被保险者的健康状况。
利用技术与数据驱动型方案促进健康行为
对于Vitality公司的目标而言,技术与数据都是不可或缺的实现因素。首先,他们通过各类生活方式(例如吸烟、饮酒以及其它饮食习惯)外加生物特征测量(包括身高、体重、血压以及胆固醇水平等)对受保卫人的基准健康状况做出评估。根据这些数据,他们得以确定成员的健康年龄;在美国,有79%的受访者健康年龄高于实际生理年龄。
接下来,Vitality方面会利用评估当中收集到的数据确定出个性化计划,从而制定出更为健康的生活选项,并针对每一位受保人的实际情况做出过渡规划,旨在改善他们的健康年龄。该公司负责提供工具、资源以及合作伙伴,为Vitality成员准备折扣服务以有力支持他们的健康调整之路。
通过使用来自各家合作伙伴的综合数据源——包括网络健身房、生物识别筛查服务供应商以及包括Apple Watch在内的100多种可穿戴技术,Vitality得以实时检查会员对于既定健康目标的进展情况。举例来说,Apple Watch上的Apple Health能够连接到Vitality会员应用程序。这款应用程序负责帮助会员与GP建立视频咨询、安排会面、获取专家推荐并查找可信赖的健康指导信息。通过这种方式,会员将凭借自己每天走出的步数以及Apple Watch跟踪到的锻炼活动心率信息积累到活力点数。
健康行为所带来的活力点奖励系统可以说是Vitality Health服务的基本要素。其旨在让会员始终保持参与,且以完全自愿的形式实现。这些积分可以通过Vitality的各合作伙伴兑换成礼券及其它津贴。各家合作伙伴不仅提供能够进一步支持健康生活方式的服务与产品,同时也将帮助Vitality Health会员在使用各服务与产品时享受更低的价格。例如,Vitality Health的合作伙伴Ocado公司就为特定的Vitality Health医疗保健计划参与者提供达25%的折扣以及免费配送的健康食品。您的生活方式越健康,作为Vitality Health所获得的回报就越是可观。
Vitality Health提出的新制度是否有效?
Vitality Health提出的这种健康保险模式显然相当超前,很多朋友可能会想,这一切真的有效吗?根据RAND欧洲进行的一项研究,结论是肯定的。该项研究发现,以Vitality Health为代表的激励性体育活动确实能够提高受众的整体活动水平。全球有500万人在使用Vitality Activity Rewards系统,通过一系列微目标与微奖励,其确实以行为科学为基础帮助用户们获得并维持着积极运动的强大的动力。
该公司宣称,其基于奖励机制的解决方案能够显著降低住院费用、每患者医疗费用以及相应的住院时间。作为Vitality Health的客户之一,McKesson公布了以下统计结果:
• 医疗费用节约总额达470万美元
• 经过验证的锻炼量增加了23%
• 参与锻炼的人数增加了92%
Vitality Health收集到的数据还使其得以根据会员在计划当中的参与程度更好地调整定价政策与保费水平。
数据分析的后续步骤——不断敦促健康的生活方式
随着各大保险服务供应商持续利用数据与技术帮助他们为健康行为提供激励性方法,Vitality Health将面临更多的竞争挑战。Vitality Health以及该领域中的其它从业企业正积极寻求更深层次的健康监测技术,同时努力解决包括隐私、生物表征差异等实际问题,从而更有针对性地提升会员健康水平或者获得更适合自己的锻炼指导。健康保险,正由消极赔付走向积极引导的新时代。
好文章,需要你的鼓励
Lumen Technologies对美国网络的数据中心和云连接进行重大升级,在16个高连接城市的70多个第三方数据中心提供高达400Gbps以太网和IP服务。该光纤网络支持客户按需开通服务,几分钟内完成带宽配置,最高可扩展至400Gbps且按使用量付费。升级后的网络能够轻松连接数据中心和云接入点,扩展企业应用,并应对AI和数据密集型需求波动。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
RtBrick研究警告,运营商面临AI和流媒体服务带宽需求"压倒性"风险。调查显示87%运营商预期客户将要求更高宽带速度,但81%承认现有架构无法应对下一波AI和流媒体流量。84%反映客户期望已超越网络能力。尽管91%愿意投资分解式网络,95%计划五年内部署,但仅2%正在实施。主要障碍包括领导层缺乏决策支持、运营转型复杂性和专业技能短缺。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。