Soluciones de IA para identificar fraude, desperdicio y abuso (FWA) en reclamos de seguros

No es ningún secreto que el sistema de salud es complejo. El fraude, desperdicio y abuso (FWA) le cuesta a la industria cientos de miles de millones de dólares cada año. A Informe NHCAA 2018 dice, “algunas agencias gubernamentales y de aplicación de la ley sitúan la pérdida en hasta el 10% de nuestro desembolso anual en salud”. Con el gasto corriente superado $ 4,1 billonesel costo anual estimado de FWA en el cuidado de la salud de los EE. UU. en la actualidad es de más de $ 400 mil millones.

Además del desperdicio directo, la gran cantidad de FWA en el sistema de atención de la salud eventualmente conduce a tarifas de seguro de salud más altas y gastos de bolsillo.

Esta es una gran pérdida cada año, pero también una gran oportunidad para crear soluciones de trabajo para luchar contra la FWA y ahorrar miles de millones de dólares al año. Las soluciones anti-FWA pueden ahorrar entre un 10 % y un 20 % en gastos de atención médica al identificar reclamos de seguros fraudulentos. Esa es una gran cantidad de dinero que sale de los bolsillos de los proveedores de atención médica fraudulentos y va a los bolsillos de los pacientes y sus compañías de seguros.

Sin embargo, incluso cuando identifique a un candidato para iniciar una investigación, debe tener algunas razones sólidas basadas en datos detrás de su elección porque iniciar una investigación no es barato. De hecho, el costo promedio de abrir y cerrar una investigación sobre un caso de atención médica fraudulenta es de $7500 en EE. UU.

Soluciones de IA y los desafíos

Existen innumerables métodos de FWA en la práctica, pero algunos de los ejemplos más comunes son:

  • Upcodificación (el proveedor solicita un código de diagnóstico más costoso)
  • Desagregación (el proveedor envía múltiples códigos para servicios con un solo código)
  • Desviación de medicamentos (cuando los medicamentos recetados se obtienen o usan ilegalmente)
  • Facturación de servicios no prestados
  • Facturación de más unidades de las prestadas
  • Proporcionar servicios innecesarios a los miembros.
  • Alteración de registros para obtener servicios cubiertos

Esta lista puede seguir y seguir con nuevos patrones de FWA que se descubren y agregan con frecuencia. A los delincuentes se les ocurren continuamente nuevas ideas para aprovechar el sistema a través de patrones FWA.

Identificación de patrones FWA

Luchar contra FWA es una batalla continua. Las soluciones no solo deben mantenerse al día sobre los patrones conocidos de FWA, sino también seguir intentando descubrir nuevos patrones desconocidos.

Los sistemas de atención médica son complejos, especialmente en los EE. UU., y las soluciones anti-FWA basadas en IA deben enfrentar grandes desafíos. Algunos de estos se refieren a datos como el acceso a datos, la estructura de datos, la limpieza de datos, etc. Pero el principal desafío es el hecho de que los datos etiquetados son bastante raros cuando se trata de FWA.

Las soluciones de IA para FWA se dividen en dos categorías principales según la disponibilidad de las etiquetas FWA:

  • Aprendizaje supervisado, donde las etiquetas FWA están presentes (es raro). En este caso, los desarrolladores pueden usar algoritmos de IA supervisados ​​para entrenar un modelo en los patrones conocidos de FWA. Luego, el modelo entrenado se puede usar para calificar cualquier dato no visto para la probabilidad de FWA. La mejor parte es que la evaluación del modelo es bastante sencilla en un enfoque de aprendizaje supervisado. Uno puede medir específicamente la calidad del modelo en función de la comparación de predicciones y la verdad del terreno. Este enfoque funciona mejor para identificar los patrones conocidos de FWA.
  • Aprendizaje sin supervisión, dónde están las etiquetas FWA no presentes (más comúnmente). En este caso, los desarrolladores pueden usar algoritmos de IA no supervisados ​​para construir un modelo que aún pueda calificar las reclamaciones de seguros según la probabilidad de ser diferente de un grupo de registros similares. La mejor parte del enfoque de aprendizaje no supervisado es que uno puede descubrir nuevos patrones de FWA que no son posibles de detectar con el enfoque de aprendizaje supervisado. El principal inconveniente de utilizar enfoques de aprendizaje no supervisado es que la evaluación del modelo puede ser bastante desafiante. La tasa de falsas alarmas podría llegar a ser bastante alta porque no existe una verdad básica (etiqueta) que pueda usarse para la evaluación del modelo.

Cómo elegir una solución anti-FWA

FWA es un espacio enorme y hay mucho trabajo por hacer en términos de identificar y prevenir FWA a gran escala, de manera rápida y confiable antes de realizar los pagos finales del seguro.

Los modelos de inteligencia artificial se pueden adaptar para identificar el fraude de reclamaciones de atención médica, el abuso de recetas, los cargos adicionales y muchos desafíos adicionales de FWA.

El uso de las herramientas de reconocimiento de patrones que hemos discutido permite que la IA avanzada cree un conjunto integral de capacidades de creación de perfiles y modelado que se adaptan y mejoran continuamente los resultados. Esta perfecta combinación de herramientas puede ofrecer decisiones personalizadas en milisegundos a pagadores, compañías de seguros, líderes empresariales u otras entidades. Estos modelos evolucionan a escala con sus datos, aumentan las tasas de detección y reducen los costos operativos y los falsos positivos. En nuestro trabajo en Brighterion, establecimos esto como un estándar de oro sobre la capacidad de la IA heredada y las soluciones que se enfocan únicamente en sistemas basados ​​en reglas.

El patrón oro, según Gartner, es utilizar un sistema de prepago que pueda examinar los pagos por fraude antes de pagar el reclamo de salud. Un modelo de prepago no solo evitaría el pago de reclamos fraudulentos, sino que también ahorraría el costoso tiempo administrativo dedicado a investigar falsos positivos y permitiría a los investigadores concentrarse en el fraude real.

Al elegir una solución anti-FWA, busque características que incluyan:

  • Experiencia diversa: El equipo de FWA debe estar formado por científicos de datos de primer nivel e investigadores experimentados en fraudes de atención médica que comprenderán ambos lados de la ecuación.
  • Soluciones comprobadas: Asegúrese de que el proveedor haya probado con éxito su solución de principio a fin en el mercado y pueda demostrar resultados sobresalientes. Busque atributos como plataformas basadas en la nube que ofrezcan implementación en tiempo real a escala.
  • Opciones flexibles: ¿Qué tan rápido pueden implementar una solución personalizada? ¿Tienen una solución lista para usar que uno puede aprovechar de inmediato con los requisitos de datos correctos que aún arroja los resultados deseados?
  • Datos seguros/IP: ¿Están sus datos seguros y protegidos? Pregunte sobre el gobierno de datos del proveedor y cómo siguen las mejores prácticas para garantizar la seguridad de sus datos y nuestra IP.

Identificar el fraude, el desperdicio y el abuso en el sistema de atención médica puede ahorrarles a los pacientes y a las compañías de seguros cientos de miles de millones de dólares al año. La IA y el aprendizaje automático ofrecen una ayuda significativa en este sentido al modelar los patrones FWA conocidos (aprendizaje supervisado) y descubrir los patrones FWA desconocidos (aprendizaje no supervisado).

Obtenga más información sobre las soluciones de IA de Brighterion para FWA que se pueden implementar en cualquier parte del ciclo de vida de prepago o pospago. Descarga nuestro libro electrónico, Prevenir y ahorrar: IA avanzada para el fraude, el despilfarro y el abuso.

Saeed Mirshekari, PhD es director, científico de datos en Brighterion, una empresa de Mastercard. Después de recibir su doctorado en Física de la Universidad de Washington en Saint Louis en 2013, Saeed fue becario de investigación posdoctoral en el Centro Internacional de Física Teórica en São Paulo, Brasil, e investigador de la Colaboración Científica LIGO. Los colaboradores de LIGO recibieron un Premio Especial de Avance en 2016 y un Premio Nobel de Física en 2017 por su investigación en ondas gravitacionales. Saaed ingresó a la ciencia de datos en 2015 y se unió a Brighterion en 2020.

Fuente del artículo

Deja un comentario