Los esquemas de fraude, desperdicio y abuso (FWA) como pruebas genéticas innecesarias, pruebas falsas de Covid-19 y facturación inapropiada de servicios de salud conductual continúan afectando a la industria de la salud, y la inteligencia artificial (IA) está jugando un papel más grande en tales esquemas. Dado lo rápido que la IA está transformando otros sectores empresariales, no es sorprendente que algunos actores malintencionados la estén utilizando para cometer varios esquemas, incluida la generación de reclamaciones falsas y registros médicos clonados que preparan el terreno para la facturación de plantilla. Algunos incluso pueden crear proveedores “deepfake” para respaldar reclamaciones falsas.
Conservadoramente, los esquemas de FWA causan pérdidas financieras que representan el 3% del gasto total en atención médica, según la Asociación Nacional de Lucha contra el Fraude en la Atención Médica (NHCAA). Dado que el gasto en salud en EE. UU. alcanzó un récord de $4.8 billones en 2023, los pagadores pueden esperar ver al menos $144 mil millones perdidos en esquemas de FWA cada año.
Lo que hace que combatir tales esquemas sea particularmente desafiante es que siempre están evolucionando. La detección de fraudes tradicional basada en reglas y el análisis investigativo pueden ayudar a los pagadores a identificar esquemas conocidos, pero las reglas pueden ser demasiado rígidas para identificar esquemas nuevos y emergentes. Como resultado, los pagadores a menudo necesitan ponerse al día en la lucha contra el fraude, especialmente cuando los recursos limitan su capacidad para mantener una gran unidad de investigaciones especiales (SIU). Sin embargo, agregar herramientas de IA sofisticadas como el aprendizaje automático (ML) a su arsenal contra el fraude puede ayudar a los planes a identificar los últimos esquemas más rápidamente que usando solo la lógica convencional basada en reglas.
Para optimizar sus esfuerzos de detección de fraudes, los líderes de los planes deberían entender cómo sus organizaciones pueden complementar su experiencia humana desplegando estas aplicaciones de IA para detectar esquemas de FWA con mayor rapidez y precisión.
El potencial del ML para detectar fraudes
Para complementar sus sistemas tradicionales de detección de fraudes basados en reglas, los planes de salud visionarios están utilizando enfoques avanzados de IA como el aprendizaje automático para descubrir reclamaciones inapropiadas e identificar tendencias problemáticas de FWA. Dos tipos principales de algoritmos de ML pueden ayudar a los planes en estos importantes esfuerzos: modelos de aprendizaje supervisado y no supervisado.
Aprendizaje supervisado: Los modelos de aprendizaje supervisado pueden ser entrenados para detectar fraudes a través de un proceso iterativo que requiere que los usuarios finales etiqueten los datos. En este enfoque, un investigador experimentado valida los hallazgos de la herramienta (como etiquetar un comportamiento de facturación cuestionable identificado por la herramienta como problemático y que vale la pena investigar) y proporciona comentarios expertos que ayudan al modelo a aprender de sus aportes. Con el tiempo, estas herramientas se vuelven mejores para señalar a los proveedores con comportamientos sospechosos, por lo que los investigadores pueden pasar más tiempo persiguiendo, en lugar de identificar, posibles fraudes.
Aprendizaje no supervisado: A diferencia del aprendizaje supervisado, los modelos de aprendizaje no supervisado no son entrenados por un usuario final. En cambio, los modelos no supervisados aprenden a identificar patrones de FWA a través de métodos como la detección de valores atípicos. Cuando se utilizan para complementar los algoritmos basados en reglas existentes, los modelos de aprendizaje no supervisado pueden ayudar a las SIU a identificar amenazas emergentes de FWA más rápidamente y disminuir la probabilidad de oportunidades perdidas. El análisis de tendencias, otra forma de aprendizaje no supervisado, también puede comparar el comportamiento de facturación de un proveedor por código con sus pares para descubrir posibles fraudes. Esto demuestra el valor de detectar tendencias emergentes de FWA a través de múltiples técnicas, incluido el aprendizaje supervisado cuando los investigadores no están limitados al análisis basado en reglas.
Estrategias inteligentes para utilizar la IA para frustrar el fraude
A pesar de que la IA puede agregar un valor tremendo a los esfuerzos de detección de fraudes de los planes, no es la panacea. A medida que los líderes de los planes consideran integrar modelos de ML en su combinación, deben reconocer que estas herramientas deben complementar, no reemplazar, la experiencia humana. Aquí hay algunas estrategias para que los líderes de los planes implementen la IA de manera responsable y efectiva para la detección de fraudes:
Reconocer cómo la IA y el ML encajan en la estrategia general. La prevención de FWA no se puede lograr solo con modelos sofisticados. En cambio, requiere múltiples métodos de investigación, complementados por las SIU de los planes, para lograr los mejores resultados.
Mirar más allá de su propio plan. El uso de herramientas basadas en datos con IA que agregan datos de planes de salud de todo el país puede ayudar a los equipos a identificar tendencias de fraude de manera más efectiva. Al aprovechar una amplia cantidad de datos, las SIU pueden identificar esquemas que de otra manera pasarían desapercibidos.
Desmentir cualquier idea equivocada de que los investigadores serán reemplazados por la IA. Los líderes de los planes deben articular los beneficios de utilizar modelos de IA para mejorar la efectividad de su equipo, incluida la capacidad de enfocar su trabajo en investigaciones y recuperaciones sin la carga de pistas no verificadas y falsos positivos.
Conocer las señales de estafas impulsadas por la IA. Debido a la facilidad con la que los actores malintencionados pueden duplicar registros médicos, los planes necesitan procesos para detectar signos reveladores de registros fabricados, como un alto porcentaje de códigos de diagnóstico duplicados en servicios o edades de pacientes que entran en conflicto con la fecha de nacimiento.
Utilizar la IA para verificar consejos de los miembros. Un plan de salud recibió un aviso de que un proveedor estaba facturando servicios de salud en el hogar que no se habían prestado y no estaba volviendo a evaluar las necesidades de los miembros. Después de que el análisis de datos confirmara que el proveedor era un caso atípico y había facturado más de $1 millón en reclamaciones indebidas, el plan trabajó con la policía para lanzar una investigación criminal. Como resultado, el proveedor acordó pagar $3 millones por acusaciones de violar la Ley de Demandas Falsas.
Tener paciencia. Puede llevar tiempo lograr resultados óptimos con el aprendizaje automático, ya que el entrenamiento de los modelos es un proceso continuo. Sin embargo, la mayoría de los planes descubren que tener una herramienta efectiva para complementar su experiencia investigativa vale la pena la espera.
Una visión realista sobre el valor de la IA y el ML
Aunque los líderes de los planes tienen motivos para preocuparse de que los actores malintencionados utilicen la IA para cometer fraudes, también deberían apreciar el considerable valor de los modelos de aprendizaje automático para ayudarlos a frustrar amenazas emergentes y disminuir pérdidas. Al aprovechar la IA para la prevención y recuperación de FWA, los líderes de los planes pueden ayudar a sus SIU a anticiparse a los últimos esquemas, mejorar la precisión de las reclamaciones, mitigar sus riesgos y operar de manera más eficiente.
Foto: Feodora Chiosea, Getty Images
Erin Rutzler es la Vicepresidenta de Fraude, Desperdicio y Abuso en Cotiviti. En este cargo, es responsable de la supervisión y dirección estratégica de la suite de soluciones de FWA de Cotiviti. Erin ha sido fundamental en el desarrollo de las soluciones de FWA de Cotiviti en los últimos ocho años. Sirviendo como la principal experta en investigaciones y FWA de la compañía para actividades de cumplimiento, capacitación de clientes, ventas y marketing, representa regularmente a la compañía en conferencias de la industria como la Conferencia Anual de Capacitación (ATC) de la Asociación Nacional de Lucha contra el Fraude en la Atención Médica (NHCAA).
Esta publicación aparece a través del programa MedCity Influencers. Cualquiera puede publicar su perspectiva sobre negocios e innovación en salud en MedCity News a través de MedCity Influencers. Haga clic aquí para averiguar cómo.