Abstracto

Machine Learning 2018: Análisis predictivo de big data y fraude en la atención médica: de la detección a la prevención - Eman Abu Khousa - Universidad de los EAU

Eman Abu Khousa y Najati Ali Hasan

Las pérdidas por fraude en la atención médica, prescripción excesiva y reclamaciones de seguros codificadas incorrectamente que conducen a denegaciones de reclamaciones se estiman en miles de millones de dólares anuales. Los costos relacionados con el fraude y los actos de abuso están aumentando las primas de seguros para los pacientes y reduciendo la rentabilidad de los proveedores de servicios de atención médica y los pagadores. La adopción continua de registros médicos electrónicos (EHR) y los avances del aprendizaje automático y el análisis de big data permiten métodos más eficientes y automatizados para detectar y mitigar eficazmente el riesgo de actividades fraudulentas y reclamaciones ilegítimas. Este documento proporciona una descripción general de los nuevos sistemas y métodos para reducir el fraude en las reclamaciones médicas y una revisión de los problemas y desafíos pendientes. Este documento también propone un enfoque de análisis predictivo para detectar posibles patrones fraudulentos utilizando un conjunto de técnicas de aprendizaje supervisado y no supervisado. El enfoque propuesto incorpora datos históricos y en tiempo real para identificar reclamaciones ilegales y evitar pagos a estafadores en las primeras etapas del ciclo de vida del proceso de gestión de reclamaciones. El análisis predictivo identifica patrones que son potencialmente fraudulentos y luego desarrolla conjuntos de "reglas" para "marcar" ciertas reclamaciones. Por ejemplo, un proveedor que haga un reclamo por un procedimiento que está fuera de su área de experiencia sería marcado para un escrutinio más profundo, porque esa es una de las "reglas". Pero integrado en este modelo de software de detección de fraudes en el cuidado de la salud está la IA, que puede extraer datos continuamente, identificar cada vez más patrones fraudulentos emergentes y crear nuevas "reglas" para ellos también. La "inteligencia" dentro del sistema aprende de estas nuevas reglas y se vuelve continuamente más sofisticada en la identificación, incluso más, de potenciales fraudes. Y los mejores modelos no solo marcan los potenciales, sino que brindan las explicaciones para esa señalización, de modo que las investigaciones y evaluaciones por parte de la administración a menudo se completen de manera eficiente. En resumen, un sistema sólido de auditoría y detección de fraudes en el cuidado de la salud brindará protección al pagador de las siguientes maneras: • Identificar inconsistencias y comportamientos que "infrinjan las reglas". • Detectar y prevenir pagos potencialmente indebidos, marcándolos para su revisión. • Extraer continuamente datos para identificar nuevos patrones fraudulentos y desarrollar nuevas "reglas" para ellos también. La belleza está en los grandes datos que serán extraídos y analizados por una sola herramienta de software, en lugar de una serie de sistemas separados de detección de fraudes en el ámbito de la atención médica que no funcionan en coordinación o, peor aún, ni siquiera "saben" que deben ver otras fuentes de datos de Internet. Uno de los tipos de fraude más comunes, por ejemplo, es el de las reclamaciones continuas de un particular que ha fallecido. Un sistema anticuado no tendrá esta información, pero un sistema que esté "conectado" a los grandes datos sí la tendrá. Este término es el más amplio que se utiliza para todas las variedades de métodos analíticos para recopilar y analizar grandes datos con el fin de elaborar un modelo estadístico de comportamientos en el futuro.Los analistas harán predicciones y luego entrenarán al modelo para reconocer y monitorear comportamientos a medida que llegan los reclamos. Existe tanto un modelo de prepago, con un enfoque en aspectos como las visitas al consultorio y las transacciones, como un modelo de pospago que analiza tanto los comportamientos del proveedor como del paciente.  

Biografía :

Eman Abu Khousa es investigadora e instructora (aplicaciones de big data) en la Facultad de Tecnología de la Información de los Emiratos Árabes Unidos. Najati es una experimentada profesional en tecnología de la información (TI) sanitaria con 25 años de experiencia en el campo. Najati es experta en asesorar a clientes del CCG sobre estrategias para la selección e implementación de TI sanitaria con el objetivo de lograr beneficios clínicos, operativos y financieros demostrables. Najati es experta en el campo de la gestión del ciclo de ingresos (RCM) y conoce los diversos matices y requisitos de los países del CCG. Otras áreas de especialización de Najati incluyen el uso inteligente de la TI sanitaria para mejorar la experiencia del paciente, el intercambio electrónico de datos (EDI), el análisis de datos y las aplicaciones de inteligencia artificial/aprendizaje automático (IA/ML) en el ámbito sanitario. Najati ha sido coautora de tres artículos para conferencias y revistas, uno de los cuales recibió un premio al mejor artículo. La experiencia laboral de Najati abarca desde los mejores centros médicos de EE. UU. hasta proveedores de TI sanitaria de clase mundial.