Betrugs-, Abfall- und Missbrauchstudien (FWA) -Programme wie unnötige Gentests, gefälschte Covid-19-Tests und unangemessene Abrechnung von Verhaltensgesundheitsdiensten plagen weiterhin die Gesundheitsbranche-und künstliche Intelligenz (KI) spielt in solchen Systemen eine größere Rolle. In Anbetracht der Tatsache, dass KI andere Geschäftsbereiche verändert, ist es nicht verwunderlich, dass einige schlechte Akteure sie verwenden, um verschiedene Systeme zu begehen, einschließlich der Erzeugung falscher Ansprüche sowie geklonten Krankenakten, die die Bühne für die Abrechnung von Kesselplatten legen. Einige erstellen möglicherweise sogar Anbieter von „DeepFake“, um falsche Behauptungen zu unterstützen.
Konservativ verursachen FWA-Programme finanzielle Verluste, die laut der National Health Care Anti-Fraud Association (NHCAA) 3% der gesamten Ausgaben des Gesundheitswesens ausmachen. Angesichts der Tatsache, dass die US -Gesundheitsausgaben im Jahr 2023 einen Rekord von 4,8 Billionen US -Dollar erreichten, können Zahler erwarten, dass jedes Jahr mindestens 144 Milliarden US -Dollar an FWA -Systemen verloren gehen.
Was die Bekämpfung solcher Programme besonders herausfordernd macht, ist, dass sie sich immer weiterentwickeln. Traditionelle, regelbasierte Betrugserkennung und Untersuchungsanalyse können den Zahler helfen, bekannte Systeme zu identifizieren, aber Regeln können zu starr sein, um neue und aufkommende Systeme zu identifizieren. Infolgedessen müssen die Zahler häufig im Kampf gegen Betrug einholen, insbesondere wenn die Ressourcen ihre Fähigkeit einschränken, eine große Sonderuntersuchungseinheit (SIU) aufrechtzuerhalten. Das Hinzufügen von ausgefeiltem KI-Tools wie maschinellem Lernen (ML) zu ihrem Anti-Frag-Arsenal kann jedoch dazu beitragen, die neuesten Systeme schneller zu identifizieren als die Verwendung einer herkömmlichen, regelbasierten Logik.
Um ihre Betrugserkennung zu optimieren, sollten die Planungsführer verstehen, wie ihre Organisationen ihr menschliches Know -how ergänzen können, indem sie diese KI -Anwendungen einsetzen, um FWA -Programme mit größerer Geschwindigkeit und Genauigkeit zu erkennen.
Das Potenzial von ML, Betrug zu erkennen
Um ihre traditionellen Regeln zu ergänzen, nutzen zukunftsbedingte Gesundheitspläne fortgeschrittene KI-Ansätze wie maschinelles Lernen, um unangemessene Ansprüche aufzudecken und problematische FWA-Trends zu identifizieren. Zwei Haupttypen von ML -Algorithmen können Pläne bei diesen wichtigen Bemühungen unterstützen: beaufsichtigte und unbeaufsichtigte Lernmodelle.
Beaufsichtigtes Lernen: Beaufsichtige Lernmodelle können geschult werden, um Betrug durch einen iterativen Prozess zu erkennen, bei dem Endbenutzer Daten kennzeichnen müssen. Bei diesem Ansatz validiert ein erfahrener Ermittler die Ergebnisse des Tools (z. B. das Kennzeichnung eines fragwürdigen Abrechnungsverhaltens, das vom Tool als problematisch und untersucht wird) und bietet ein fachmännisches Feedback, das das Modell hilft, aus seinen Eingaben zu lernen. Im Laufe der Zeit werden diese Tools besser darin, Anbieter mit verdächtigem Verhalten zu markieren, sodass die Ermittler mehr Zeit damit verbringen können, potenzielle Betrug zu verfolgen, anstatt potenzielle Betrug zu identifizieren. Unbeaufsichtigtes Lernen: Im Gegensatz zum überwachten Lernen werden unbeaufsichtigte Lernmodelle von einem Endbenutzer nicht geschult. Stattdessen lernen unbeaufsichtigte Modelle, FWA -Muster durch Methoden wie Ausreißererkennung zu identifizieren. Unbewegte Lernmodelle können SIUs dabei helfen Kollegen, um potenziellen Betrug aufzudecken. Dies zeigt den Wert, aufkommende FWA-Trends durch mehrere Techniken zu erkennen, einschließlich überwachtes Lernen, wenn die Ermittler nicht auf Regeln basierende Analysen beschränkt sind.
Intelligente Strategien für die Verwendung von KI, um den Betrug zu vereiteln
Obwohl KI den Bemühungen zur Betrugserkennung von Plänen einen enormen Wert verleihen kann, handelt es sich nicht um ein Allheilmittel. Da die Führungskräfte in Betracht ziehen, ML -Modelle in ihren Mix zu integrieren, sollten sie erkennen, dass diese Tools das menschliche Fachwissen ergänzen müssen. Hier sind einige Strategien für Planungsführer, um KI verantwortungsbewusst und effektiv für die Betrugserkennung umzusetzen:
Erkennen Sie, wie KI und ML in die Gesamtstrategie passen. Die FWA -Prävention kann nicht allein mit ausgefeilten Modellen erreicht werden. Stattdessen sind mehrere Untersuchungsmethoden erforderlich, die durch den Sius eines Plans ergänzt werden, um die besten Ergebnisse zu erzielen. Schauen Sie über Ihren eigenen Plan hinaus. Die Verwendung von datengesteuerten Tools, die mit KI infundiert sind und Daten aus Gesundheitsplänen im ganzen Land aggregieren, kann den Teams helfen, Betrugstrends effektiver zu identifizieren. Durch das Tippen einer breiten Datenbreite kann Sius Schemata identifizieren, die sonst unentdeckt bleiben würden. Zeugen Sie alle Missverständnisse, dass die Ermittler durch KI ersetzt werden. Planungsleiter sollten die Vorteile des Einsatzes von KI-Modellen artikulieren, um die Effektivität ihres Teams zu verbessern, einschließlich der Fähigkeit, ihre Arbeit auf Untersuchungen und Genesung zu konzentrieren, ohne die unzählige, falsch positive Leads zu belasten. Kennen Sie die Anzeichen von AI-gesteuerten Betrug. Aufgrund der Leichtigkeit, mit der schlechte Akteure nun medizinische Unterlagen duplizieren können, müssen Pläne Prozesse benötigen, um verräterische Anzeichen von fabrizierten Aufzeichnungen zu erkennen, z. Verwenden Sie AI, um Tipps von Mitgliedern zu überprüfen. Ein Gesundheitsplan erhielt einen Tipp, dass ein Anbieter die Rechnungsstellung für nicht erbrachte häusliche Gesundheitsdienste und die Bedürfnisse der Mitglieder nicht neu bewertete. Nachdem die Datenanalyse bestätigt hatte, dass der Anbieter ein Ausreißer war und mehr als 1 Million US -Dollar an unsachgemäßen Ansprüchen in Rechnung gestellt hatte, arbeitete der Plan mit den Strafverfolgungsbehörden zusammen, um eine strafrechtliche Untersuchung zu starten. Infolgedessen stimmte der Anbieter zu, 3 Millionen US -Dollar für Vorwürfe wegen Verstoßes gegen das Gesetz über falsche Ansprüche zu zahlen. Sei geduldig. Es kann einige Zeit dauern, bis maschinelles Lernen optimale Ergebnisse erzielt werden, da das Training der Modelle ein fortlaufender Prozess ist. Die meisten Pläne stellen jedoch fest, dass ein wirksames Instrument zur Ergänzung ihres Ermittlungskompetenzes das Warten wert ist.
Eine realistische Sicht auf den Wert von AI und ML
Obwohl die Führungskräfte von Planen den Grund haben, befürchtet, dass schlechte Akteure KI verwenden, um Betrug zu verüben, sollten sie auch den beträchtlichen Wert von Modellen für maschinelles Lernen schätzen, um sie zu helfen, die aufkommenden Bedrohungen zu vereiteln und die Verluste zu verringern. Durch die Nutzung von KI für die Prävention und Genesung von FWA können die Planungsleiter ihrem Sius helfen, den neuesten Systemen voraus zu sein, die Genauigkeit der Schadensfälle zu verbessern, ihre Risiken zu mildern und effizienter zu arbeiten.
Foto: Feodora chiosea, Getty Images
Erin Rutzler ist Vizepräsident für Betrug, Abfall und Missbrauch in Cotiviti. In dieser Rolle ist sie für die Aufsicht und die strategische Ausrichtung der FWA -Lösungssuite von Cotiviti verantwortlich. Erin war in den letzten acht Jahren ein wesentlicher Bestandteil der Entwicklung der FWA -Lösungen von Cotiviti. Sie fungiert als primärer Experte des Unternehmens für Untersuchungen und FWA für Compliance, Kundenausbildung, Vertriebs- und Marketingaktivitäten und vertritt regelmäßig das Unternehmen auf Branchenkonferenzen wie der jährlichen Ausbildungskonferenz (National Health Care Anti-Fraud Association) (NHCAA) Jährliche Ausbildungskonferenz (ATC) (ATC). .
Dieser Beitrag erscheint durch das Medcity Influencers -Programm. Jeder kann seine Sichtweise auf Geschäft und Innovation im Gesundheitswesen in Bezug auf MedCity -Nachrichten durch MedCity -Influencer veröffentlichen. Klicken Sie hier, um herauszufinden, wie.
