5 Eigenschaften, die eine automatisierte Lösung zur Erkennung von Abrechnungsbetrug und Leistungsmissbrauch im Gesundheitswesen aufweisen sollte

von Andrea Vieten
istock / Getty Images plus

Abrechnungsbetrug und Leistungsmissbrauch im Gesundheitswesen sind nicht neu. Schon seit Jahren berichten Medien, Krankenkassen, sowie Beratungsunternehmen von erheblichen Schadensummen, die durch fehlerhafte oder betrügerische Leistungsabrechnungen von Ärzten, Apothekern, Krankenhäusern, Pflegediensten oder anderen Anbietern im Gesundheitswesen generiert wurden.

In den letzten Jahren rückt die Bekämpfung von Abrechnungsbetrug und Leistungsmissbrauch immer mehr in den Fokus der Beteiligten. Der Gesundheitsmarkt ist vom Umsatz her gesehen eine der bedeutendsten Branchen in Deutschland. Der Schaden durch Abrechnungsbetrug und Leistungsmissbrauch geht vermutlich weit in den Millionenbereich. Doch dies ist nicht die einzige Motivation im Kampf gegen Betrug und Missbrauch. Betrügerische oder falsche Abrechnungen verschwenden Gelder, die dann nicht mehr für die Versorgung kranker und pflegebedürftiger Versicherter zur Verfügung stehen. Bekannt gewordene Missbrauchsfälle führen zu Reputationsschäden. Der Schutz der Mitglieder und der Solidargemeinschaft bietet Krankenkassen Wettbewerbsvorteile, die mit einem wachsenden öffentlichen Interesse an dem Thema immer relevanter werden.

Die Schere im Bereich Erkennung von Fehlverhalten und Greifen von Abwehrmaßnahmen geht weit auseinander. Während einige Krankenkassen automatische Systeme zur Erkennung von Missbrauch und Betrug einsetzen, nutzen andere rein manuelle Verfahren und basieren Untersuchungen zumeist auf Hinweisen von außen. Proaktive Ansätze zur Erkennung von Missbrauch und Betrug stehen oft nicht im Fokus der Versicherungen.

Chancen proaktiver Ansätze

Dabei bieten sich in den bei den Krankenkassen verfügbaren Daten wertvolle Informationen, die zur Detektion von Betrug herangezogen werden können. Einige Versicherungen nutzen klassische Datenanalysemethoden, andere maschinelle Plausibilitätsprüfungen. Immer häufiger stoßen die eingesetzten Verfahren an ihre Grenzen. Im Krankenkassenumfeld herrschen sehr heterogene IT-Landschaften mit individuellen Abrechnungssystemen und – prozessen vor. Diese verlangen nach individuellen Lösungen. Zumeist werden rein regelbasierte Systeme eingesetzt. Die Datenmengen werden immer größer. Ein Zustand, der im Rahmen der schnell fortschreitenden Digitalisierung nach neuen, moderneren Lösungen ruft. Ein Wechsel von rein analytischen oder rein regelbasierten Systemen zu intelligenten Echtzeit-Erkennungssystemen mit maschinellem Lernen bietet insbesondere bei großen Datenmengen erhebliche Vorteile. Denn nach wie vor gilt: Wird ein Abrechnungsbetrug oder Leistungsmissbrauch erst nach der Auszahlung erkannt, können die Gelder oft nicht mehr oder nur unter erheblichem Aufwand zurückgeholt werden. Darum gilt es, möglichst früh im Prozess Auffälligkeiten zu erkennen und zu prüfen, um unnötige Auszahlungen rechtzeitig zu stoppen.

5 unabdingbare Eigenschaften

1. Hybride KI
Rein datenanalytisch oder regelbasierte Systeme stoßen bei den vorliegenden großen Datenmengen an ihre Grenzen. Eine Kombination von intelligenten, regelbasierten Systemen mit Algorithmen des maschinellen Lernens vereint das Beste aus beiden Welten: Die sofortige Abbildung von bekannten Mustern in Regeln ergänzt durch die Ergebnisse der künstlichen Intelligenz.

2. Unbeaufsichtigtes sowie überwachtes maschinelles Lernen
Insbesondere im Bereich Abrechnungsbetrug und Leistungsmissbrauch ist die Datenlage zur Erkennung von Betrug schwierig. Oft ist es unmöglich, in statistisch signifikanten Mengen betrügerische oder falsche Abrechnungen zu kennzeichnen. Deshalb ist es wichtig, neben einem überwachten maschinellen Lernen auch unbeaufsichtigte ML Algorithmen einzusetzen.

Beim überwachten Lernen erfolgt das Training des Algorithmus unter Verwendung bereits gekennzeichneter historischer Daten. Ziel ist es, das ML Modell zu trainieren, um auf der Grundlage der bereitgestellten Daten zukünftige Fälle von betrügerischem Verhalten vorherzusagen.

Der Fokus des unbeaufsichtigten Lernens liegt in der Erkennung von verborgenen Beziehungen in den Daten sowie der Klassifizierung und dem Clustern dieser Daten. So können Ausreiser und Ungewöhnlichkeiten identifiziert und bewertet werden.

3. Flexibilität
Präventionssysteme müssen Flexibilität aufweisen:

  • Flexibilität bezüglich der verarbeiteten Daten – denn diese unterliegen einem Drift und werden sich im Laufe der Zeit in ihren Ausprägungen und ihrer Art ändern.
  • Flexibilität bezüglich der zugrundeliegenden intelligenten Regelsysteme und ML Algorithmen – denn Betrugsmuster werden sich ständig ändern und neue Algorithmen des maschinellen Lernens werden zusätzliche Vorteile bei der Datenauswertung bringen.
  • Flexibilität bezüglich potenziell anzubindender Services – Der bereits stattfindende Informationsaustausch zwischen Krankenversicherern zeigt, wie wichtig zusätzliche Services sein können – sei es der Zugriff auf externe Datenquellen oder eine im Aufklärungsfall automatisierte Meldung an kooperierende Parteien.

4. Echtzeitanalyse
Werden Auffälligkeiten und Unregelmäßigkeiten frühzeitig erkannt, können zeitnah die entsprechenden Schritte im Bearbeitungsprozess ausgelöst werden. Dies spart Zeit und Kosten und bietet die Möglichkeit, Auszahlungen zu stoppen, bevor Geld unwiederbringlich verloren geht.

5. Erweiterbarkeit
Der Einsatz von Technologie stellt immer eine Investition dar. Die Zukunftssicherheit einer Investition ist deutlich höher, wenn das ausgewählte System erweiterbar ist. Bei der Auswahl sollte deshalb darauf geachtet werden, in welchen Bereichen die Technologie eingesetzt werden kann. Synergien, wie zum Beispiel der Einsatz der gleichen Technologie für andere Bereiche, können zu deutlichen Einsparungen führen. Bei vielen Krankenkassen bietet sich eine schrittweise Implementierung von Technologien an, um Potentiale effektiv zu heben.

Abschließende Gedanken

Der Einsatz intelligenter, auf hybrider KI basierenden Methoden im Kampf gegen Abrechnungsbetrug und Leistungsmissbrauch lohnt sich für Versicherungen. Bei der Auswahl einer Technologie sollte darauf geachtet werden, dass Potentiale auch für die Zukunft ausgeschöpft werden können und die Prozesse sowie die Zusammenarbeit sowohl innerhalb als auch außerhalb der Versicherung optimal unterstützt werden.

Weitergehende Informationen zum Thema sowie Details zu Ansätzen, wie RiskShield bei der Erkennung und Vermeidung von Leistungsmissbrauch im Gesundheitswesen helfen kann, finden sie hier



Diese Beiträge könnten Sie auch interessieren

8 bewährte Erfolgsfaktoren für die Einführung moderner Software zur Entscheidungsfindung

Lesen

Von der Lieferkette bis zum Finanzsektor: Nachhaltigkeit erfordert globale Partnerschaften

Lesen

Zahlungsauthentifizierung mit 3D Secure – Risiko vermeiden und Benutzerfreundlichkeit stärken

Lesen

Über die Autorin

  • Andrea Vieten

    Als Senior Business Consultant bei INFORM GmbH, ist Andrea Vieten als Projektleiter und Berater für viele globale RiskShield-Iplementierungen in der Finanzindustrie verantwortlich. Mit mehr als 10 Jahren Erfahrung hat sie viele Finanzinstitutionen beraten und zu einer erfrolgreichen Implementierung von intelligenten Entscheidungssystemen in den Bereichen Risiko, Betrug und Compliance geführt.

    Alle Beiträge dieser Autorin

Unsere Autoren

Finden Sie alle unsere Autoren auf einen Blick!

Alle Autoren

Nach oben