Schémas de fraude, de déchets et d’abus (FWA) comme tests génétiques inutiles, faux tests Covid-19 Et la facturation inappropriée des services de santé comportementale continue de séduire l’industrie des soins de santé – et l’intelligence artificielle (IA) joue un rôle plus important dans de tels programmes. Compte tenu de la rapidité avec laquelle l’IA transforme d’autres secteurs commerciaux, il n’est pas surprenant que certains mauvais acteurs l’utilisent pour commettre divers schémasy compris la génération de fausses réclamations ainsi que des dossiers médicaux clonés qui ont préparé le terrain pour la facturation de chauffeur. Certains peuvent même créer Provideurs «Deepfake» pour soutenir les fausses réclamations.
De manière conservatrice, les schémas FWA provoquent pertes financières qui représentent 3% du total des dépenses de santéSelon la National Health Care Anti-Fraud Association (NHCAA). Étant donné que les dépenses de santé américaines ont atteint un record de 4,8 billions de dollars en 2023Les payeurs peuvent s’attendre à voir au moins 144 milliards de dollars perdus dans les régimes FWA chaque année.
Ce qui rend la lutte contre de tels schémas particulièrement difficile, c’est qu’ils évoluent toujours. La détection traditionnelle et basée sur des règles et l’analyse d’enquête peuvent aider les payeurs à identifier les régimes connus, mais les règles peuvent être trop rigides pour identifier les régimes nouveaux et émergents. En conséquence, les payeurs doivent souvent jouer le rattrapage dans la lutte contre la fraude, en particulier lorsque les ressources limitent leur capacité à maintenir une grande unité d’investigations spéciales (SIU). Cependant, l’ajout d’outils d’IA sophistiqués comme Machine Learning (ML) à leur arsenal anti-fraude peut aider les plans à identifier les derniers schémas plus rapidement que l’utilisation de la logique conventionnelle basée sur des règles.
Pour optimiser leurs efforts de détection de fraude, les chefs de plan doivent comprendre comment leurs organisations peuvent compléter leur expertise humaine en déploiement de ces demandes d’IA pour détecter les régimes FWA avec plus de vitesse et de précision.
Le potentiel de la ML de détecter la fraude
Pour compléter leurs systèmes traditionnels de détection de fraude basés sur des règles, les plans de santé avant-gardistes exploitent des approches avancées d’IA comme l’apprentissage automatique pour découvrir des allégations inappropriées et identifier les tendances problématiques de la FWA. Deux principaux types d’algorithmes ML peuvent aider les plans dans ces efforts importants: les modèles d’apprentissage supervisés et non supervisés.
- Apprentissage supervisé: Les modèles d’apprentissage supervisés peuvent être formés pour détecter la fraude grâce à un processus itératif qui nécessite que les utilisateurs finaux étiquettent les données. Dans cette approche, un enquêteur expérimenté valide les résultats de l’outil (tels que l’étiquetage d’un comportement de facturation discutable identifié par l’outil comme problématique et à enquêter) et fournit des commentaires d’experts qui aident le modèle à apprendre de leur contribution. Au fil du temps, ces outils deviennent meilleurs dans les fournisseurs de fournisseurs avec des comportements suspects, afin que les enquêteurs puissent passer plus de temps à poursuivre, plutôt qu’à identifier, une fraude potentielle.
- Apprentissage non surveillé: Contrairement à l’apprentissage supervisé, les modèles d’apprentissage non supervisés ne sont pas formés par un utilisateur final. Au lieu de cela, les modèles non supervisés apprennent à identifier les modèles FWA grâce à des méthodes telles que la détection des valeurs aberrantes. Lorsqu’ils sont utilisés pour compléter les algorithmes basés sur des règles existants, les modèles d’apprentissage non supervisés peuvent aider SIUS à identifier les menaces FWA émergentes plus rapidement et à réduire la probabilité d’opportunités manquées. Analyse de tendance, une autre forme d’apprentissage non supervisé, peut également comparer le comportement de facturation d’un fournisseur par code avec leur Des pairs pour découvrir une fraude potentielle. Cela démontre la valeur de la détection des tendances émergentes de la FWA grâce à plusieurs techniques, y compris l’apprentissage supervisé lorsque les enquêteurs ne se limitent pas à une analyse basée sur des règles.
Stratégies intelligentes pour utiliser l’IA pour contrecarrer la fraude
Même si l’IA peut ajouter une valeur énorme aux efforts de détection de fraude des plans, ce n’est pas une panacée. Alors que les chefs de plan envisagent d’intégrer les modèles ML dans leur mélange, ils doivent reconnaître que ces outils doivent compléter – et non remplacer – l’expertise humaine. Voici quelques stratégies pour que les chefs de plan de la mise en œuvre de l’IA de manière responsable et efficace pour la détection de fraude:
- Reconnaissez comment l’IA et la ML s’intègrent dans la stratégie globale. La prévention de la FWA ne peut pas être réalisée en utilisant des modèles sophistiqués seuls. Au lieu de cela, il nécessite plusieurs méthodes d’enquête, complétées par SIIS d’un plan, pour obtenir les meilleurs résultats.
- Regardez au-delà de votre propre plan. L’utilisation d’outils basés sur les données imprégnés d’IA qui regroupent les données des plans de santé à travers le pays peuvent aider les équipes à identifier les tendances de la fraude plus efficacement. En expliquant une large large largeur de données, Sius peut identifier des schémas qui autrement ne seraient pas détectés.
- Dissiper toutes les idées fausses selon lesquelles les enquêteurs seront remplacés par l’IA. Les chefs de plan devraient articuler les avantages de l’utilisation de modèles d’IA pour améliorer l’efficacité de leur équipe, y compris la capacité de concentrer leur travail sur les enquêtes et la récupération sans la charge des pistes faussement positives non évaluées.
- Connaissez les signes des escroqueries axées sur l’IA. En raison de la facilité avec laquelle les mauvais acteurs peuvent désormais dupliquer les dossiers médicaux, les plans ont besoin de processus pour détecter les signes révélateurs des dossiers fabriqués, tels qu’un pourcentage élevé de codes de diagnostic en double entre les services ou les âges des patients qui entrent en conflit avec la date de naissance.
- Utilisez l’IA pour vérifier les conseils des membres. Un plan de santé a reçu un pourboire qu’un fournisseur facturait pour les services de santé à domicile non rendus et ne réévaluait pas les besoins des membres. Après que l’analyse des données a confirmé que le fournisseur était une valeur aberrante et avait facturé plus d’un million de dollars de réclamations inappropriées, le plan a travaillé avec les forces de l’ordre pour lancer une enquête criminelle. En conséquence, le fournisseur accepté de payer 3 millions de dollars pour des allégations de violation du Agir sur les fausses réclamations.
- Sois patient. Il peut prendre du temps pour obtenir des résultats optimaux de l’apprentissage automatique, car la formation des modèles est un processus continu. Cependant, la plupart des plans constatent que le fait d’avoir un outil efficace pour compléter leur expertise d’enquête vaut la peine d’attendre.
Une vue réaliste sur la valeur de l’IA et du ML
Même si les chefs de plan ont des raisons de se soucier que les mauvais acteurs utilisent l’IA pour perpétrer la fraude, ils devraient également apprécier la valeur considérable des modèles d’apprentissage automatique pour les aider à contrecarrer les menaces émergentes et à réduire les pertes. En exploitant l’IA pour la prévention et le rétablissement de la FWA, les chefs de plan peuvent aider leur Sius à prendre de l’avance sur les derniers régimes, à améliorer la précision des réclamations, à atténuer leurs risques et à fonctionner plus efficacement.
Photo: Feodora Chiosea, Getty Images
Erin Rutzler est vice-président de la fraude, des déchets et des abus à Cottivites. Dans ce rôle, elle est responsable de la surveillance et de l’orientation stratégique de la suite de solutions FWA de Cotiviti. Erin a fait partie intégrante du développement des solutions FWA de Cotiviti au cours des huit dernières années. En tant qu’expert en matière principale de l’entreprise en enquêtes et FWA pour la conformité, la formation des clients, les ventes et les activités de marketing, elle représente régulièrement l’entreprise lors de conférences de l’industrie telles que la Conférence annuelle de formation annuelle de la National Health Care Anti-Fraud Association (NHCAA) (ATC) .
Ce message apparaît à travers le Influenceurs de Medcity programme. Tout le monde peut publier son point de vue sur les affaires et l’innovation dans les soins de santé sur MedCity News par le biais d’influenceurs MedCity. Cliquez ici pour savoir comment.
#bon #outil #pour #lutter #contre #les #mauvais #acteurs #des #soins #santé