Machine learning in health financing: benefits, risks and regulatory needs.

There is increasing use of machine learning for the health financing functions (revenue raising, pooling and purchasing), yet evidence lacks for its effects on the universal health coverage (UHC) objectives. This paper provides a synopsis of the use cases of machine learning and their potential benefits and risks. The assessment reveals that the various use cases of machine learning for health financing have the potential to affect all the UHC intermediate objectives - the equitable distribution of resources (both positively and negatively); efficiency (primarily positively); and transparency (both positively and negatively). There are also both positive and negative effects on all three UHC final goals, that is, utilization of health services in line with need, financial protection and quality care. When the use of machine learning facilitates or simplifies health financing tasks that are counterproductive to UHC objectives, there are various risks - for instance risk selection, cost reductions at the expense of quality care, reduced financial protection or over-surveillance. Whether the effects of using machine learning are positive or negative depends on how and for which purpose the technology is applied. Therefore, specific health financing guidance and regulations, particularly for (voluntary) health insurance, are needed. To inform the development of specific health financing guidance and regulation, we propose several key policy and research questions. To gain a better understanding of how machine learning affects health financing for UHC objectives, more systematic and rigorous research should accompany the application of machine learning.

Alors que l'apprentissage machine connaît un usage croissant pour les fonctions de financement de la santé (collecte de revenus, mise en commun et achat), les preuves manquent quant à ses effets sur les objectifs de la couverture sanitaire universelle (CSU). Ce document présente une synthèse des cas d'utilisation de l'apprentissage machine et de leurs avantages et risques potentiels. L'évaluation révèle que les différents cas d'utilisation de l'apprentissage machine pour le financement de la santé sont susceptibles d'affecter tous les objectifs intermédiaires de la CSU: la distribution équitable des ressources (à la fois positivement et négativement), l'efficacité (principalement positivement) et la transparence (à la fois positivement et négativement). Il existe également des effets positifs et négatifs sur les trois objectifs finaux de la CSU, à savoir l'utilisation des services de santé en fonction des besoins, la protection financière et la qualité des soins. Lorsque l'utilisation de l'apprentissage machine facilite ou simplifie des tâches de financement de la santé qui vont à l'encontre des objectifs de la CSU, différents risques se font jour, comme la sélection des risques, la réduction des coûts au détriment de la qualité des soins, la réduction de la protection financière ou la surveillance excessive. Les effets positifs ou négatifs de l'utilisation de l'apprentissage machine dépendent de la manière dont la technologie est appliquée et de l'objectif poursuivi. C'est pourquoi s'imposent des orientations et des réglementations spécifiques en matière de financement de la santé, en particulier pour l'assurance maladie (volontaire). Afin d'éclairer l'élaboration de telles orientations et réglementations, nous proposons plusieurs questions clés en matière de politique et de recherche. Pour mieux comprendre la façon dont l'apprentissage machine affecte le financement de la santé dans le cadre des objectifs de la CSU, une recherche plus systématique et plus rigoureuse devrait accompagner la mise en œuvre de l'apprentissage machine.

Aunque el uso del aprendizaje automático para las funciones de financiación sanitaria (recaudación de ingresos, mancomunación y compra) es cada vez mayor, no hay evidencias de sus efectos sobre los objetivos de la cobertura sanitaria universal (CSU). Este documento ofrece una sinopsis de los casos de uso del aprendizaje automático y sus posibles beneficios y riesgos. La evaluación revela que los diversos casos de uso del aprendizaje automático para la financiación sanitaria tienen el potencial de afectar a todos los objetivos intermedios de la CSU: la distribución equitativa de los recursos (tanto positiva como negativamente), la eficiencia (principalmente positiva) y la transparencia (tanto positiva como negativamente). También hay efectos positivos y negativos en los tres objetivos finales de la CSU, es decir, la utilización de los servicios sanitarios en función de las necesidades, la protección financiera y la atención de calidad. El uso del aprendizaje automático para facilitar o simplificar tareas de financiación sanitaria contraproducentes para los objetivos de la CSU plantea diversos riesgos, como la selección de riesgos, la reducción de costes a expensas de la calidad de la atención, la disminución de la protección financiera o el exceso de vigilancia. El carácter positivo o negativo de los efectos del aprendizaje automático depende de cómo y con qué fin se aplique la tecnología. Por lo tanto, se necesitan directrices y reglamentos específicos para la financiación sanitaria, en particular para los seguros de salud (voluntarios). Proponemos varias preguntas clave en materia de política e investigación para contribuir a la elaboración de directrices y reglamentos específicos sobre financiación sanitaria. A fin de comprender mejor cómo afecta el aprendizaje automático al logro de los objetivos de la CSU en el ámbito de la financiación sanitaria, la aplicación del aprendizaje automático debería ir acompañada de una investigación más sistemática y rigurosa.

High Fibroblast Growth Factor 23 concentrations in experimental renal failure impair calcium handling in cardiomyocytes.

The overwhelming majority of patients with chronic kidney disease (CKD) die prematurely before reaching end-stage renal disease, mainly due to cardiovascular causes, of which heart failure is the predominant clinical presentation. We hypothesized that CKD-induced increases of plasma FGF23 impair cardiac diastolic and systolic function. To test this, mice were subjected to 5/6 nephrectomy (5/6Nx) or were injected with FGF23 for seven consecutive days. Six weeks after surgery, plasma FGF23 was higher in 5/6Nx mice compared to sham mice (720 ± 31 vs. 256 ± 3 pg/mL, respectively, P = 0.034). In cardiomyocytes isolated from both 5/6Nx and FGF23 injected animals the rise of cytosolic calcium during systole was slowed (-13% and -19%, respectively) as was the decay of cytosolic calcium during diastole (-15% and -21%, respectively) compared to controls. Furthermore, both groups had similarly decreased peak cytosolic calcium content during systole. Despite lower cytosolic calcium contents in CKD or FGF23 pretreated animals, no changes were observed in contractile parameters of cardiomyocytes between the groups. Expression of calcium handling proteins and cardiac troponin I phosphorylation were similar between groups. Blood pressure, the heart weight:tibia length ratio, α-MHC/ß-MHC ratio and ANF mRNA expression, and systolic and diastolic function as measured by MRI did not differ between groups. In conclusion, the rapid, CKD-induced rise in plasma FGF23 and the similar decrease in cardiomyocyte calcium transients in modeled kidney disease and following 1-week treatment with FGF23 indicate that FGF23 partly mediates cardiomyocyte dysfunction in CKD.