İnteraktif makine öğrenmesi kullanılarak, aktör-meta ilişkisinin analizi ile sağlık geri ödeme sistemlerinde proaktif suistimal tespit modeli

Abstract

Sağlık alanında sahtecilik ve suistimal tespiti, veri madenciliği çalışmaları açısından en zor problemlerdendir. Çalışmaların çoğunda yeterli ve gerçek veriye ulaşma zorluğu yaşandığından, çoğunlukla sadece belirli aktör veya sağlık hizmetleri ele alınarak problemin sınırlı bir durumu üzerinde çalışılmıştır. Bu çalışmamızın amacı, sahtecilik ve suistimal vakalarını, ilgili vakaya dâhil olan aktör ve metâlardan (sağlık hizmeti, ilaç, vb.) bağımsız olarak tespit edebilen, anormal davranışların parçalı doğasını dikkate alan ve yeni sahtecilik türleri için kolaylıkla adapte edilebilen özgün bir uygulama çerçevesi önermektir. Çalışmada, etkileşimli makina öğrenmesi yöntemi kullanılarak uzman bilgisi gerekli tüm alanlarda çalışmaya aktarılmıştır. Modelin doğruluğunu artırmak için çalışmada iyi bilinen yöntemler kullanılmıştır. Aktör ve niteliklere ağırlık atamak için ikilik düzende çiftleri karşılaştırma, benzer aktörlerin kümelenmesi için beklenti çoklama -BK, proaktif risk hesaplayabilmek için iki kademeli veri ambarı, detaylı analiz için ileri görselleştirme araçları ile risk hesaplamasında z-skor ve standardizasyon kullanımı bu yöntemlerden öne çıkanlardır. Alan uzmanları, senaryo hikâyelerini yazarak 6 farklı sahtecilik ve suistimal davranış türü tanımlamışlardır. Önerilen uygulama çerçevesi, gerçek ilaç reçete verileri üzerinde altı farklı sahtecilik ve suistimal davranışı için reçetedeki tüm aktör ve metâları kapsayacak şekilde deneysel süreçlerden geçirilmiştir. Her deneyin Area Under Curve (AUC) ve maliyet etkinlik derecesi ölçülmüştür. Önerilen model ile hem proaktif; hem de retrospektif tespite ve analize imkân sağlayan eFAD™ adında bir ürün geliştirilmiş ve alan uzmanlarının eFAD tarafından tespit edilen şüpheli işlemlerin delillerini inceleyerek nihai karar hızlıca ulaşmaları sağlanmıştır. eFAD Suite, Türkiye'de iki ayrı geri ödeme kurumu tarafından ilaç reçeteleri üzerinde tespit ve delillendirme amacıyla kullanılmıştır.

Detecting fraudulent and abusive cases in healthcare is one of the most challenging problems for data mining studies. However, most studies have a shortage of real data and focus on a limited version of the problem by covering only a definite actor and commodities, such as healthcare service, disease, etc. The purpose of this study is to model a novel framework capable of detecting the fraudulent and abusive cases independently from the actors and commodities involved in the claims, considering the fragmented nature of the fraudulent and abusive behaviors and having an extensible structure to introduce new fraud and abuse types. Interactive machine learning incorporating experts' knowledge in an unsupervised setting is utilized. To increase the accuracy of the framework, several well-known methods are utilized, such as the binary pairwise comparison for weighting the actors and attributes, expectation maximization for clustering similar actors, two-stage data warehousing for proactive risk calculations, visualization tools for effective analyzing, and z-scores to calculate the risks. The experts define six different abnormal behavior types using storyboards. The proposed framework is evaluated with real-life data for defined abnormal behavior types for prescriptions by covering all relevant actors and commodities. The experiment iterations are evaluated by measuring the AUC and cost saving rates. eFAD™ is developed by using the proposed model to make both proactive and retrospective analysis and support the experts for fact-finding processes. eFAD is utilized by a company to produce monthly reports indicating abnormal behaviors for two insurance companies in Turkey.