Abstrato

Machine Learning 2018: Análise preditiva de big data e fraude na área da saúde: Da deteção à prevenção - Eman Abu Khousa - Universidade dos Emirados Árabes Unidos

Eman Abu Khousa e Najati Ali Hasan

As perdas decorrentes de fraudes na área da saúde, prescrição excessiva e sinistros de seguros codificados indevidamente que levam a recusas de sinistros são estimadas em milhares de milhões de dólares anualmente. Os custos relacionados com a fraude e os actos de abuso estão a aumentar os prémios de seguro para os doentes e a reduzir a rentabilidade dos prestadores e pagadores de cuidados de saúde. A adoção contínua de registos de saúde eletrónicos (RSE) e os avanços da aprendizagem automática e da análise de big data permitem métodos mais eficientes e automatizados para detetar e mitigar eficazmente o risco de atividades fraudulentas e reclamações ilegítimas. Este documento fornece uma visão geral dos novos sistemas e métodos para reduzir a fraude nas reclamações de mediação e uma análise das questões e desafios em aberto. Este artigo propõe também uma abordagem de análise preditiva para detetar possíveis padrões fraudulentos utilizando um conjunto de técnicas de aprendizagem supervisionada e não supervisionada. A abordagem proposta incorpora dados históricos e em tempo real para identificar sinistros ilegais e evitar pagamentos a fraudadores no início do ciclo de vida do processo de gestão de sinistros. A análise preditiva identifica padrões potencialmente fraudulentos e, em seguida, desenvolve conjuntos de “regras” para “sinalizar” determinadas alegações. Por exemplo, um prestador que apresente uma reclamação por um procedimento que esteja fora da sua área de experiência seria sinalizado para um exame mais aprofundado, porque esta é uma das “regras”. Mas incorporada neste modelo de software de deteção de fraude na área da saúde está a IA, que pode explorar continuamente dados, identificar cada vez mais padrões fraudulentos emergentes e criar novas “regras” também para os mesmos. A “inteligência” dentro do sistema aprende com estas novas regras e torna-se continuamente mais sofisticada na identificação, ainda mais, de potenciais fraudes. E os melhores modelos não só sinalizam os potenciais, como fornecem as explicações para essa sinalização, para que as investigações e avaliações por parte da gestão sejam muitas vezes concluídas de forma eficiente. Em suma, um sistema sólido de auditoria e detecção de fraudes na área da saúde proporcionará protecção ao pagador das seguintes formas: • Identificar inconsistências e comportamentos de “quebra de regras”. • Detete e evite pagamentos potencialmente indevidos, sinalizando-os para análise. • Explorar dados continuamente para identificar novos padrões fraudulentos e desenvolver novas “regras” também para os mesmos. A beleza está no big data, que será todo extraído e analisado por uma ferramenta de software, em vez de uma série de sistemas separados de deteção de fraude na área da saúde que não funcionam em coordenação ou, pior, nem sequer “sabem” ver outros sistemas da Internet. Um dos tipos mais comuns de fraude, por exemplo, são as reivindicações contínuas de um soldado que faleceu. Um sistema antiquado não terá esta informação, mas um sistema “ligado” a big data terá. Este termo é o termo abrangente utilizado para todas as variedades de métodos analíticos de recolha e análise de big data para criar um modelo estatístico de comportamentos no futuro.Os analistas farão previsões e, em seguida, treinarão o modelo para reconhecer e envolver-se na monitorização dos comportamentos à medida que os sinistros chegam. modelação pós-pagamento, que analisa tanto o fornecedor como o doente.  

Biografia:

Eman Abu Khousa é investigador-instrutor (Big Data Applications) na Faculdade de Tecnologia da Informação, Emirados Árabes Unidos. Najati é um profissional experiente em tecnologia da informação (TI) na área da saúde, com 25 anos de experiência na área. Najati é especialista em aconselhar os clientes do GCC sobre estratégias para seleções e implementações de TI na área da saúde com foco na obtenção de benefícios clínicos, operacionais e financeiros demonstráveis. Najati é bem versado na área da gestão do ciclo de receitas (RCM), com conhecimento das várias nuances e exigências dos países do CCG. As outras áreas de especialização de Najati incluem a utilização inteligente de TI em saúde para melhorar a experiência do paciente, EDI, análise de dados e aplicações de Inteligência Artificial/Machine Learning (IA/ML) na área da saúde. Najati é coautor de três artigos para conferências e revistas – um deles recebeu o prémio de melhor artigo. A experiência de trabalho de Najati abrange os principais centros médicos dos EUA e fornecedores de TI de saúde de classe mundial.