美国的医疗保健系统比其他许多国家来说，更贵，效率更低和更不安全。特别是花在高血压或糖尿病这样的慢性疾病的钱, 住册费的76%，处方药的88%，家庭护理访问的96%和去看医生的72%。排名前5%医疗保健消费的用户占去了55%的服务。

兰健康智能（BHI）正在考虑用预测分析来尝试改变现状。他们能发现这些排名前5%的都是谁吗？他们能使每个人都能承担的同时又能识别如何交付更好的护理吗？

BHI包含了所有蓝十字和蓝盾牌计划中的所有索赔详细信息，匿名的和聚合的。 当然索赔的数据全是编码且并不包含患者病情的细节，所以在可以做出好的预测之前必须先进行清洗并导出。除此之外，排名最前的1%高成本病人中只有25%的年复一年居于高成本中。

在医疗保健中最初使用分析的是人口疾病管理。它驱动对医保计划中的每一个成员的风险预测 — 一个人的高风险、高成本的可能性如何。但什么导致了你的风险，我们为此又能做些什么呢？我们可以制定什么样的决策呢？而预测分析最伟大之处就是它可以不必暴露个人医疗信息而完成这一切。

基于风险和使用不同的风险驱动选项 — 减轻高危病人，与低风险病人一起来管理他们的健康，让他们保持在低风险上等等。这曾是非常成功的，但现在专注于特殊疾病得到更特殊的对待。拥有如此众多成员的数据的BHI，是一个极好的数据源，因为对于每种疾病它都有足够的数据获得一个好的样本。而我们想要的是可以用于特殊成员的一种模型，这样我们能集中精力对每一位患者给予正确的护理。如果我们能针对一个特定的患者预测他住院治疗或有并发症的概率，我们就可以跟他和他的医生进行沟通并针对他给予最有效的治疗方法。这些模型用预测计分卡暴露风险的驱动因素模型 ― 他为什么有这样的风险。该模型可以与正确的规则相结合来驱动最佳决策。我们对某人知道了什么，就能对此而做些什么。患者可以做些什么，医护管理者可以做什么，计划又可以做什么。

显然在医疗保健中预测分析有很多机会。有机会去减少欺诈和滥用职权，提供预测决策给医生，和使用收费鼓励他们坚持改善服务。