Ο Πατέρας που Ανακάλυψε ότι το Target Ήξερε Πριν από Αυτόν
Υπάρχει μια σκηνή που λίγοι ξέρουν, αλλά όταν την ακούσουν δεν ξεχνούν ποτέ. Ένας άντρας από τη Μινεάπολη μπήκε σε κατάστημα Target κρατώντας κουπόνια που είχε λάβει η 17χρονη κόρη του — για κούνιες, βρεφικά ρούχα, παιδικές τροφές. Ήταν θυμωμένος. «Προσπαθείτε να την ενθαρρύνετε να μείνει έγκυος;» ρώτησε τον διευθυντή. Λίγες μέρες αργότερα, τηλεφώνησε να ζητήσει συγγνώμη. Η κόρη του ήταν πράγματι έγκυος — και ο αλγόριθμος το ήξερε πριν του το πει.
Αυτή η ιστορία έγινε γνωστή μέσα από τη δημοσιογραφική έρευνα του Charles Duhigg στους New York Times το 2012 και το βιβλίο του «The Power of Habit». Εκείνη την εποχή φάνηκε σαν ανεκδοτολογική ακρότητα της εποχής των big data. Σήμερα ξέρουμε ότι ήταν μόνο η αρχή.
Ο στατιστικολόγος Andrew Pole ανέλυσε τα αγοραστικά πρότυπα χιλιάδων γυναικών που είχαν εγγραφεί στο μητρώο μωρών του Target. Μελέτησε τι αγόραζαν πριν οι ίδιες δηλώσουν εγκυμοσύνη.
Ανακάλυψε ότι 25 συγκεκριμένα προϊόντα — σε συγκεκριμένους συνδυασμούς και ποσότητες — αποτελούσαν εξαιρετικά αξιόπιστο δείκτη: άοσμη λοσιόν, συμπληρώματα ασβεστίου και ψευδαργύρου, βαμβακερές μπάλες, αντισηπτικά χεριών, πετσέτες μεγάλου μεγέθους. Χρησιμοποιώντας αυτά, το σύστημα ανέθετε σε κάθε γυναίκα έναν «Pregnancy Prediction Score» — και εκτιμούσε ακόμα και την αναμενόμενη ημερομηνία τοκετού.
Το αποτέλεσμα; Τα έσοδα του Target αυξήθηκαν από $44 δισ. το 2002 σε $67 δισ. το 2010 — αύξηση που η εταιρεία απέδωσε εν μέρει στη δύναμη αυτών ακριβώς των αναλύσεων.
πρόβλεψης εγκυμοσύνης
για το «score»
Target 2002–2010
Αυτό που κάνει την ιστορία του Target ανατριχιαστική δεν είναι η τεχνολογία — είναι η λογική πίσω από αυτήν: οι αλγόριθμοι ψάχνουν για στιγμές μεταβολής στη ζωή σου, γιατί σε αυτές τις στιγμές είσαι πιο ανοιχτός σε νέες μάρκες και συνήθειες. Εγκυμοσύνη, γάμος, διαζύγιο, θάνατος, ασθένεια — όλα καταγράφονται.
Αλλά η εγκυμοσύνη είναι ακίνδυνο παράδειγμα. Αυτό που ακολούθησε ήταν πολύ πιο σκοτεινό.
Τι Γνωρίζουν οι Ασφαλιστικές — Και Από Πού το Ξέρουν
Υπάρχουν εταιρείες που δεν γνωρίζεις αλλά έχουν αρχείο για σένα. Δεν χρειάστηκε να τους πεις τίποτα. Δεν χρειάστηκε να υπογράψεις τίποτα. Απλώς έκανες αγορές, πήρες φάρμακα, πλήρωσες (ή καθυστέρησες να πληρώσεις) λογαριασμούς, και αυτά τα δεδομένα πουλήθηκαν, αγοράστηκαν, συνδυάστηκαν — και μετατράπηκαν σε έναν αριθμό που μπορεί να καθορίσει αν θα πάρεις ασφάλεια ζωής.
Η LexisNexis χρησιμοποιεί 442 μη-ιατρικά προσωπικά χαρακτηριστικά για να προβλέψει το ιατρικό κόστος ενός ατόμου. Η βάση δεδομένων της περιέχει πάνω από 78 δισεκατομμύρια εγγραφές από πάνω από 10.000 δημόσιες και ιδιωτικές πηγές — αριθμοί κινητών, ποινικά μητρώα, πτωχεύσεις, ακίνητα, ασφάλεια γειτονιάς και πολλά ακόμα.
Αυτό δεν είναι υποθετικό σενάριο. Είναι γεγονός που τεκμηριώθηκε από κοινή έρευνα του NPR και της ProPublica, μετά από παρακολούθηση συνεδρίων ασφαλιστικής βιομηχανίας όπου αυτές οι δυνατότητες παρουσιάζονταν ανοιχτά. Ο άνθρωπος της LexisNexis έδωσε υποθετικό παράδειγμα: «ένας dropout γυμνασίου με πρόσφατη απώλεια εισοδήματος και χωρίς συγγενείς κοντά» — αυτό το προφίλ προβλέπει υψηλό ιατρικό κόστος. Και ρωτήθηκε αν αυτό θα μπορούσε να χρησιμοποιηθεί για τιμολόγηση ασφαλείας. Η απάντηση ήταν: «θα μπορούσε να υπάρχει ευκαιρία».
Χωρίς δημόσιο έλεγχο, ασφαλιστικές εταιρείες και data brokers προβλέπουν το υγειονομικό κόστος βάσει δεδομένων όπως η εθνικότητα, η οικογενειακή κατάσταση, οι τηλεοπτικές συνήθειες, αν πληρώνεις εγκαίρως τους λογαριασμούς σου ή ακόμα και αν αγοράζεις plus-size ρούχα.
Η Erin Kaufman, ερευνήτρια δεδομένων στην Aetna που εγκατέλειψε τη δουλειά της όταν αντιλήφθηκε τι γινόταν, περιέγραψε το dataset που της ζητήθηκε να αναλύσει: περιείχε εκατομμύρια Αμερικανούς με πλήρη ανάλυση χόμπι και ενδιαφερόντων — αν είχαν όπλο και τι είδους, αν είχαν συνδρομή σε περιοδικά, αν έκαναν ποδηλασία ή μαραθώνιους. «Ήταν ένα dataset που σκάβει βαθιά μέσα στη ζωή των ανθρώπων» είπε. «Τι δουλειά έχει η ασφαλιστική εταιρεία να ξέρει αυτά;»
Το «Health Credit Report» που Δεν Ξέρεις ότι Υπάρχει
Γνωρίζεις το πιστωτικό σου σκορ. Ίσως το έχεις ελέγξει. Αλλά υπάρχει ένα άλλο σκορ για εσένα — ένα που αποκαλείται «health credit report» ή «mortality score» — και το πιθανότερο είναι να μην το έχεις ακούσει ποτέ, αν και μπορεί να έχει καθορίσει αν σου δόθηκε ασφαλιστική κάλυψη.
| Εταιρεία | Προϊόν | Τι Αναλύει | Χρήστες | Κίνδυνος |
|---|---|---|---|---|
| Milliman IntelliScript | Irix Risk Score | Συνταγές + ιατρικές αξιώσεις + πιστωτικά δεδομένα | 75+ ασφαλιστικές | ● ΥΨΗΛΟΣ |
| ExamOne / Quest | ScriptCheck / MedPoint | 200M+ αρχεία συνταγών από φαρμακεία | Σχεδόν όλες | ● ΥΨΗΛΟΣ |
| LexisNexis | Health Analytics | 442 μη-ιατρικοί δείκτες, 78B records | Ασφαλιστικές, νοσοκομεία | ● ΜΕΣΟΣ |
| MIB Group | Medical Information Bureau | Ιατρικές πληροφορίες από άλλες ασφαλιστικές | 470+ ασφαλιστικές | ● ΜΕΣΟΣ |
| NaviHealth / UHG | nH Predict | 6M ασθενείς, πρόβλεψη διάρκειας νοσηλείας | UnitedHealthcare | ● ΚΡΙΤΙΚΟΣ |
Το IntelliScript κωδικοποιεί τα φάρμακα ως «κόκκινα», «κίτρινα» ή «πράσινα» ανάλογα με τον κίνδυνο που αποδίδει η ασφαλιστική. Τα κόκκινα φάρμακα — αυτά που σηματοδοτούν τον υψηλότερο κίνδυνο — περιλαμβάνουν τα φάρμακα AIDS cocktail και φάρμακα χημειοθεραπείας. Κάθε αναζήτηση κοστίζει περίπου $15 στις ασφαλιστικές εταιρείες. Το σύστημα δέχεται περίπου 1 εκατομμύριο ερωτήματα ετησίως.
Τα δύο τρίτα όλων των ασφαλιστικών εταιρειών υγείας χρησιμοποιούν ήδη δεδομένα συνταγογράφησης — όχι μόνο για να αρνηθούν κάλυψη, αλλά και για να χρεώσουν υψηλότερα ασφάλιστρα ή να αποκλείσουν συγκεκριμένες παθήσεις. Άλλο 20% των ασφαλιστικών ζωής τα χρησιμοποιεί για αξιολόγηση αιτήσεων.
Έρευνα της Ομοσπονδιακής Επιτροπής Εμπορίου διαπίστωσε ότι τόσο η ExamOne (MedPoint) όσο και η Milliman (IntelliScript) παραβίαζαν την ομοσπονδιακή νομοθεσία για χρόνια, κρατώντας το σύστημα κρυφό από τους καταναλωτές. Η FTC απλώς απαίτησε γνωστοποίηση — και δεν επέβαλε κανένα πρόστιμο.
Ο Αλγόριθμος που Σκότωσε — Και Συνέχισε να Λειτουργεί
Μέχρι εδώ, μιλάμε για δεδομένα και scores. Τώρα μιλάμε για ανθρώπους που πέθαναν.
Η UnitedHealthcare είναι η μεγαλύτερη ασφαλιστική εταιρεία υγείας στις ΗΠΑ. Τον Δεκέμβριο του 2024, ο CEO της Brian Thompson δολοφονήθηκε στη Νέα Υόρκη σε ενέδρα. Στα φυσίγγια που βρέθηκαν στη σκηνή ήταν γραμμένες οι λέξεις: «deny», «defend», «depose». Η πράξη προκάλεσε αντιδράσεις που έφεραν στο φως ό,τι η εταιρεία έκρυβε για χρόνια.
Μάιος 2022, Ουισκόνσιν. Ο Gene Lokken, 91 ετών, έπεσε στο σπίτι του σπάζοντας το πόδι και τον αστράγαλό του. Μεταφέρθηκε σε μονάδα νοσηλείας και άρχισε να ανακάμπτει. Ο ορθοπεδικός χειρούργος διέταξε εντατική φυσιοθεραπεία σε ειδικευμένη μονάδα.
20 Ιουλίου 2022. Η UnitedHealthcare τερματίζει την κάλυψη. Ένας αλγόριθμος — το nH Predict — αποφάσισε ότι δεν χρειαζόταν άλλες μέρες στη μονάδα. Ο Lokken και ο γιατρός του ήταν «αποσβολωμένοι».
Έκανε έφεση. Αρνήθηκαν. Ξαναέκανε. Αρνήθηκαν πάλι. Η οικογένεια πλήρωνε από την τσέπη της $12.000–$14.000 τον μήνα για σχεδόν ένα χρόνο.
17 Ιουλίου 2023. Ο Gene Lokken πέθανε.
Η οικογένειά του κατέθεσε αγωγή εκ μέρους της estate του στο ομοσπονδιακό δικαστήριο Μινεσότα. Η υπόθεση έγινε class action για εκατοντάδες χιλιάδες ηλικιωμένους ασθενείς.
του nH Predict
υποβάλλουν έφεση
UHC 2020→2022
Το nH Predict χρησιμοποιεί βάση δεδομένων 6 εκατομμυρίων ασθενών για να αναλύσει τη διάγνωση, την ηλικία, τις συνθήκες διαβίωσης και τη σωματική λειτουργία κάθε ασθενή — και να καθορίσει πόση μετά-οξεία φροντίδα «πρέπει» να λάβει. Εντοπίζει τη συγκεκριμένη στιγμή που η UnitedHealthcare θα διακόψει την πληρωμή.
Το ερώτημα που τίθεται φυσικά: αν το σύστημα κάνει λάθος 9 στις 10 φορές, γιατί συνέχισαν να το χρησιμοποιούν;
Η εταιρεία συνέχισε να χρησιμοποιεί συστηματικά το ελαττωματικό μοντέλο γιατί γνώριζε ότι μόνο ένα ελάχιστο ποσοστό ασφαλισμένων θα υποβάλει έφεση — και η συντριπτική πλειονότητα θα πληρώσει από την τσέπη της ή θα εγκαταλείψει τη φροντίδα. Η εταιρεία «στοιχηματίζει» στη μειωμένη ικανότητα, έλλειψη γνώσης και πόρων των ηλικιωμένων ασθενών να αμφισβητήσουν τις αποφάσεις.
Η UnitedHealth δεν ήταν μόνη. Η Cigna κατηγορήθηκε για τον αλγόριθμο PXDX — ένα σύστημα που επέτρεπε σε γιατρούς να απορρίπτουν αξιώσεις μαζικά, εκατοντάδες χιλιάδες ταυτόχρονα, χωρίς ατομική εξέταση. Η Humana αντιμετώπισε παρόμοιες κατηγορίες. Σε εκπροσώπους της ασφαλιστικής βιομηχανίας τελικά αποδίδεται η ομολογία: «Αρνούμαστε πράγματα για να δούμε αν κάποιος θα κάνει έφεση. Και πολλές απορρίψεις οφείλονται σε εύκολα λυτά σφάλματα.»
Τι Μπορείς να Κάνεις — Και Τι Έρχεται Μετά
Αν ζεις εκτός ΗΠΑ, ίσως σκέφτεσαι ότι αυτό δεν σε αφορά. Αυτή είναι η βολική σκέψη. Η πραγματικότητα είναι ότι οι ίδιες τεχνολογίες, οι ίδιες εταιρείες (η LexisNexis λειτουργεί παγκοσμίως) και η ίδια λογική μεταφέρονται σταδιακά σε κάθε αγορά ασφαλίσεων.
Η ΕΕ με τον AI Act επιχειρεί να βάλει φρένο στις αυτοματοποιημένες αποφάσεις υψηλού κινδύνου — περιλαμβανομένων αυτών που αφορούν υγεία και ασφάλιση. Αλλά η εφαρμογή είναι αργή, και οι εταιρείες κινούνται πιο γρήγορα από τους νομοθέτες.
Το Fair Credit Reporting Act σου δίνει δικαίωμα να ζητήσεις δωρεάν αντίγραφο του αρχείου σου από Milliman IntelliScript και ExamOne (ScriptCheck) μία φορά ετησίως — ή δωρεάν μετά από «adverse action» (άρνηση κάλυψης). Ελάχιστοι το ξέρουν αυτό.
Αν αρνηθούν να σου δώσουν ασφάλεια, έχεις δικαίωμα να μάθεις τον λόγο — και αν βασίστηκε σε αυτά τα αρχεία, να ζητήσεις να τα δεις και να αμφισβητήσεις λανθασμένα δεδομένα.
Επίσης: μπορείς να πληρώσεις ορισμένα φάρμακα μετρητοίς, εκτός φαρμακευτικής ασφάλισης. Τα συστήματα όπως το ScriptCheck λαμβάνουν δεδομένα μόνο από ασθενείς που είναι πελάτες των pharmacy benefit managers — οπότε εξαιρούνται αγορές με μετρητά.
Άλλη στρατηγική: η χρήση ψηφιακών πορτοφολιών όπως PayPal, Apple Pay ή Samsung Pay για να «σπάσεις» τα αγοραστικά σου πρότυπα. Αυτά παρεμβάλλουν ένα επιπλέον επίπεδο ανωνυμίας ανάμεσα στις αγορές σου και στις βάσεις δεδομένων των data brokers.
Το πιο σημαντικό πράγμα δεν είναι μια συγκεκριμένη τακτική αλλά η συνειδητοποίηση: κάθε ψηφιακή σου ενέργεια αφήνει ίχνος που μπορεί να αγοραστεί. Η απόφαση για το τι μοιράζεσαι και με ποιον γίνεται πιο σημαντική με κάθε χρόνο που περνά.
Η IoT αγορά για ασφαλιστικές εφαρμογές εκτιμάται ότι θα φτάσει τα $132 δισ. το 2026. Έξυπνα ψυγεία, θερμοστάτες, pacemakers, μόνιτορ πίεσης αίματος — όλα αποστέλλουν δεδομένα. Το επόμενο βήμα είναι «pay-as-you-live» ασφάλιση: χαμηλότερα ασφάλιστρα αν μοιραστείς δεδομένα υγείας σε πραγματικό χρόνο. Ακούγεται ωραίο. Αλλά σημαίνει ότι η ασφαλιστική εταιρεία θα ξέρει πότε κοιμάσαι, τι τρως, πόσο περπατάς — και το mortality score σου θα ενημερώνεται αυτόματα.
Επίλογος: Ποιος Αποφασίζει;
Αυτό το ρεπορτάζ δεν λέει ότι η χρήση δεδομένων στη βιομηχανία της υγείας είναι εξ ορισμού κακή. Λέει κάτι διαφορετικό: όταν οι αποφάσεις για ζωή και θάνατο — κυριολεκτικά — λαμβάνονται από αλγόριθμους με 90% ποσοστό λάθους, χωρίς ενημέρωση και χωρίς ουσιαστική δυνατότητα έφεσης, κάτι έχει πάει πολύ στραβά.
Ο Gene Lokken δεν ήταν «false positive» σε κάποια στατιστική. Ήταν ένας 91χρονος που ανάκαμπτε μετά από ατύχημα, και ένας αλγόριθμος αποφάσισε ότι δεν αξίζει να συνεχίσει τη θεραπεία που του είχε συστήσει ο γιατρός του. Το σύστημα που το απέρριψε εξακολουθεί να ισχύει. Δικαστήρια και Γερουσία παρεμβαίνουν αργά. Τεχνολογία και κέρδη κινούνται πιο γρήγορα.
Η ερώτηση που μένει δεν είναι τεχνολογική. Είναι πολιτική: Ποιον επιτρέπουμε να αποφασίζει;