Abstrait

Machine Learning 2018 : Analyse prédictive des big data et fraude dans le secteur de la santé : de la détection à la prévention - Eman Abu Khousa - Université des Émirats arabes unis

Eman Abu Khousa et Najati Ali Hasan

Les pertes liées à la fraude dans le domaine de la santé, à la surprescription et aux demandes d’indemnisation mal codées qui conduisent à des refus de demandes d’indemnisation sont estimées à des milliards de dollars par an. Les coûts liés à la fraude et aux abus augmentent les primes d’assurance pour les patients et réduisent la rentabilité des prestataires de services de santé et des payeurs. L’adoption continue des dossiers médicaux électroniques (DME) et les progrès de l’apprentissage automatique et de l’analyse des mégadonnées permettent de mettre en place des méthodes plus efficaces et automatisées pour détecter et atténuer efficacement le risque d’activités frauduleuses et de demandes d’indemnisation illégitimes. Cet article donne un aperçu des nouveaux systèmes et méthodes de réduction de la fraude dans les demandes d’indemnisation médicales et passe en revue les problèmes et défis en suspens. Cet article propose également une approche d’analyse prédictive pour détecter les schémas frauduleux potentiels à l’aide d’un ensemble de techniques d’apprentissage supervisées et non supervisées. L’approche proposée intègre à la fois des données historiques et en temps réel pour identifier les demandes d’indemnisation illégales et empêcher les paiements aux fraudeurs au début du cycle de vie du processus de gestion des demandes d’indemnisation. L’analyse prédictive identifie les schémas potentiellement frauduleux, puis élabore des ensembles de « règles » pour « signaler » certaines demandes d’indemnisation. Par exemple, un prestataire qui fait une demande de remboursement pour une procédure qui ne relève pas de son domaine d’expertise serait signalé pour un examen plus approfondi, car cela fait partie des « règles ». Mais ce modèle de logiciel de détection de fraude aux soins de santé intègre l’IA, qui peut continuellement exploiter les données, identifier de plus en plus de modèles frauduleux émergents et créer de nouvelles « règles » pour ceux-ci également. L’« intelligence » au sein du système apprend de ces nouvelles règles et devient continuellement plus sophistiquée pour identifier encore plus de potentiels de fraude. Et les meilleurs modèles non seulement signalent les potentiels, mais fournissent les explications de ce signalement, afin que les enquêtes et les évaluations par la direction soient souvent menées efficacement. En bref, un système solide d’audit et de détection des fraudes dans les soins de santé offrira une protection au payeur des manières suivantes : • Identifier les incohérences et les comportements « enfreignant les règles ». • Détecter et prévenir les paiements potentiellement inappropriés, en les signalant pour examen. • Exploiter continuellement les données pour identifier de nouveaux modèles frauduleux et développer de nouvelles « règles » pour ceux-ci également. La beauté réside dans le big data, qui sera exploité et analysé par un seul outil logiciel, au lieu de plusieurs systèmes distincts de détection des fraudes dans le domaine de la santé qui ne fonctionnent pas en coordination ou, pire, qui ne savent même pas qu'il faut voir d'autres sources de données sur Internet. L'un des types de fraude les plus courants, par exemple, est celui des demandes répétées de remboursement d'une personne décédée. Un système obsolète ne disposera pas de ces informations, mais un système « branché » sur le big data les disposera. Ce terme est le terme général utilisé pour toutes les variétés de méthodes analytiques de collecte et d'analyse du big data afin d'élaborer un modèle statistique des comportements futurs.Les analystes feront des prédictions, puis formeront le modèle pour reconnaître et surveiller les comportements au fur et à mesure que les réclamations arrivent. Il existe à la fois une modélisation avant paiement, axée sur des éléments tels que les visites au cabinet et les transactions, et une modélisation après paiement qui analyse les comportements des prestataires et des patients.  

Biographie :

Eman Abu Khousa est chercheuse-formatrice (applications Big Data) au College of Information Technology, aux Émirats arabes unis. Najati est une professionnelle expérimentée en technologies de l'information (TI) dans le domaine de la santé, avec 25 ans d'expérience dans le domaine. Najati est une experte en matière de conseil aux clients du CCG sur les stratégies de sélection et de mise en œuvre des technologies de l'information dans le domaine de la santé, en mettant l'accent sur l'obtention d'avantages cliniques, opérationnels et financiers démontrables. Najati connaît bien le domaine de la gestion du cycle de revenus (RCM) et connaît les différentes nuances et exigences des pays du CCG. Les autres domaines d'expertise de Najati comprennent l'utilisation intelligente des technologies de l'information dans le domaine de la santé pour améliorer l'expérience des patients, l'EDI, l'analyse des données et les applications de l'intelligence artificielle/apprentissage automatique (IA/ML) dans le domaine de la santé. Najati est co-auteur de trois articles pour des conférences et des revues, dont l'un a reçu un prix du meilleur article. L'expérience professionnelle de Najati s'étend des meilleurs centres médicaux américains aux fournisseurs de classe mondiale de technologies de l'information dans le domaine de la santé.