Claramente, los métodos tradicionales de detección de fraudes en el cuidado de la salud no están funcionando. La manera más efectiva de prevenir el fraude y el abuso es identificarlo antes de que se paguen las reclamaciones. Y es por eso que los proveedores de servicios de salud ahora han adoptado los mismos análisis predictivos que otros sectores de la economía saben que funcionan.
Los bancos, por ejemplo, los datos de la mina que vincula la demografía del consumidor y los comportamientos para predecir los tipos de productos de préstamo que serán los más populares. Las compañías de seguros de vida, automóviles y viviendas extraen datos para predecir los niveles de riesgo.
Ahora, tiene sentido abordar la detección de fraudes en el cuidado de la salud utilizando también técnicas de minería de datos.
El análisis predictivo de datos identifica patrones que son potencialmente fraudulentos y luego desarrolla conjuntos de “reglas” para “marcar” ciertas afirmaciones. Por ejemplo, un proveedor que realiza un reclamo por un procedimiento que está fuera de su área de especialización se marcará para un análisis más detallado, porque esa es una de las “reglas”.
Sin embargo, dentro de este modelo de software de detección de fraudes en el cuidado de la salud se encuentra AI, que continuamente extrae datos, identifica cada vez más patrones fraudulentos emergentes y crea nuevas “reglas” para esos también. La “inteligencia” en el sistema aprende de estas nuevas reglas y continuamente se vuelve más sofisticada para identificar, aún más, potenciales de fraude. Y los mejores modelos no solo marcan los potenciales sino que proporcionan los motivos de ese marcado, de modo que las investigaciones y evaluaciones de la administración se pueden completar de manera eficiente.
En resumen, un sistema sólido de auditoría y detección de fraudes en la atención médica brindará protección al pagador de las siguientes maneras:
- Identifique las incoherencias y los comportamientos “rompedores de reglas”.
- Detecta y previene pagos potencialmente inapropiados, marcándolos para su revisión.
- Continuamente extrae datos para identificar nuevos patrones fraudulentos y desarrollar nuevas “reglas” para esos también.
La belleza está en los grandes datos que pueden ser minados y analizados por una herramienta de software, en lugar de una serie de sistemas separados de detección de fraude a la atención médica que no funcionan en coordinación o, peor aún, ni siquiera “saben” verificar otros datos de Internet fuentes. Uno de los tipos más comunes de fraude, por ejemplo, es la reclamación continua de una persona que ha fallecido. Un sistema anticuado no tendrá esta información, pero un sistema que está “conectado” a Big Data lo hará.
Aquí puede leer más detalles acerca de cómo se puede resolver este problema: Detección de fraude en la atención médica usando Predictive Analytics
