Phát hiện gian lận bảo hiểm y tế bằng AI để giảm tổn thất

Phát hiện gian lận bảo hiểm y tế bằng AI là dùng AI để phân tích dữ liệu yêu cầu bồi thường y tế, hồ sơ bệnh án và thông tin về bệnh nhân cũng như nhà cung cấp dịch vụ.

Sự đa dạng của gian lận trong bảo hiểm y tế không chỉ giới hạn ở hành vi của khách hàng mà còn mở rộng sang các nhà cung cấp dịch vụ và tư vấn viên, tạo nên một mạng lưới phức tạp của các hành vi bất hợp pháp

Phát hiện gian lận bảo hiểm y tế bằng AI giúp xác định các mô hình, điểm bất thường hoặc hoạt động đáng ngờ có thể là dấu hiệu của hành vi gian lận để từ đó loại bỏ tính chủ quan trong quá trình đánh giá giúp ngành bảo hiểm vượt qua những rào cản cố hữu của phương pháp thủ công.

Các hình thức gian lận

Các hình thức gian lận phổ biến

Biểu đồ so sánh các nguồn gian lận chính, cho thấy sự đa dạng của các hành vi bất hợp pháp trong hệ thống bảo hiểm y tế.

Nguyên tắc hoạt động

Nhận diện các mô hình bất thường

Một trong những điểm nổi bật của AI để phát hiện gian lận bảo hiểm y tế chính là khả năng xử lý và phân tích các tập dữ liệu siêu lớn một cách nhanh chóng và hiệu quả.

Hằng ngày, các yêu cầu bồi thường bảo hiểm tạo ra lượng thông tin khổng lồ, bao gồm thông tin bệnh nhân, hồ sơ điều trị, mã thanh toán và dữ liệu nhà cung cấp.

Hệ thống AI sẽ lọc qua “đại dương” dữ liệu này để tìm ra những mô hình bất thường có thể báo hiệu hành vi gian lận.

Khác với các phương pháp truyền thống chủ yếu dựa vào kiểm tra thủ công hoặc những quy tắc đơn giản được lập trình sẵn, thuật toán AI có thể phát hiện những điểm bất thường tinh vi trên nhiều khía cạnh khác nhau.

Hệ thống AI có thể phát hiện ra nhà cung cấp dịch vụ y tế nào đó đang thanh toán một số lượng bất thường các thủ thuật đắt tiền so với đồng nghiệp.

Ngoài ra còn có khả năng nhận diện những bệnh nhân có lịch sử khiếu nại khác biệt đáng kể so với mô hình dự kiến.

Khả năng phân tích dữ liệu toàn diện này giúp AI nhận ra những trường hợp gian lận tiềm ẩn mà có thể bị bỏ sót.

Ví dụ: Tại một công ty bảo hiểm lớn ở Mỹ, hệ thống AI đã phát hiện một bác sĩ nha khoa liên tục kê đơn những ca phẫu thuật cấy ghép phức tạp cho bệnh nhân chỉ mới 20 tuổi.

Đây là một mô hình hoàn toàn bất thường so với thống kê y khoa thông thường.

Dựa trên dữ liệu khiếu nại trong quá khứ

Trọng tâm hiệu quả của AI nằm ở học máy (machine learning).

Đây là một nhánh con của AI, nơi các thuật toán học hỏi từ dữ liệu trong quá khứ để đưa ra dự đoán hoặc quyết định.

Trong phát hiện gian lận bảo hiểm y tế, những mô hình học máy này được huấn luyện trên dữ liệu khiếu nại lịch sử bao gồm cả các ví dụ về khiếu nại hợp lệ và gian lận.

Thông qua học từ tập dữ liệu được gắn nhãn này, hệ thống AI phát triển thông tin về những gì cấu thành nên hành vi điển hình của người thụ hưởng và nộp khiếu nại.

Nó thiết lập các mô hình chuẩn đại diện cho hoạt động bình thường.

Quá trình huấn luyện này trang bị hệ thống khả năng đánh giá các khiếu nại mới thông qua so sánh chúng với những mô hình hành vi đã được thiết lập thay vì phụ thuộc vào các quy tắc cố định.

Do đó, hệ thống có thể thích ứng với các mô hình và chiến thuật gian lận mới hiệu quả hơn so với các cách tiếp cận cổ điển.

Ví dụ: Giống như dạy một đứa trẻ phân biệt giữa táo thật và táo giả bằng cách cho xem hàng nghìn bức ảnh được gắn nhãn, AI học cách phân biệt khiếu nại hợp lệ và gian lận từ hàng triệu hồ sơ đã được phân loại.

So sánh khiếu nại mới với các mô hình đã học

Khi có khiếu nại bảo hiểm mới đến để xử lý, hệ thống AI đánh giá chúng thông qua đối chiếu các đặc điểm của chúng với những mô hình đã học trong quá trình huấn luyện.

Khả năng so sánh này tập trung vào mục tiêu phát hiện những bất thường hoặc sai lệch so với hành vi dự kiến.

Chẳng hạn nếu một khiếu nại bao gồm các dịch vụ hoặc chẩn đoán không phù hợp với hồ sơ y tế lịch sử của bệnh nhân, hoặc nếu các mô hình thanh toán khác biệt đáng kể so với hành vi điển hình của nhà cung cấp, AI sẽ đánh dấu những sự khác biệt này là đáng ngờ.

Những khiếu nại được đánh dấu này trở thành tài liệu để các chuyên gia con người kiểm tra thêm.

Phương pháp này trái ngược với các hệ thống truyền thống có thể chỉ kiểm tra những quy tắc được lập trình sẵn cụ thể.

Khả năng đánh giá năng động của AI đem lại thành công khi bắt được nhiều nỗ lực gian lận tinh vi và phức tạp hơn như những thay đổi nhỏ trong mô hình nộp khiếu nại được thiết kế để tránh sự phát hiện dựa trên quy tắc đơn giản hơn.

Ví dụ: Một bệnh nhân 25 tuổi khỏe mạnh đột nhiên có hồ sơ khiếu nại cho 15 cuộc phẫu thuật tim phức tạp trong 3 tháng, đây là tín hiệu bất thường mà AI sẽ ngay lập tức phát hiện và đánh dấu để điều tra.

Học tập và cải tiến liên tục từ dữ liệu mới

Một lợi thế mạnh mẽ của hệ thống phát hiện gian lận dựa trên AI chính là khả năng học tập liên tục từ dữ liệu mới.

Khi có thêm khiếu nại mới và kết quả điều tra, các mô hình học máy được cập nhật và tinh chỉnh.

Quá trình học tập liên tục này giúp AI nâng cao độ chính xác theo thời gian thông qua nhận ra các kiểu gian lận mới và phân biệt giữa những biến thể hợp lệ và gian lận thực sự.

Nó cũng giúp giảm thiểu kết quả dương tính giả, những trường hợp bị đánh dấu nhầm là đáng ngờ.

Do đó làm cho quá trình điều tra hiệu quả hơn và giảm gánh nặng không cần thiết lên các nhà cung cấp dịch vụ y tế và bệnh nhân.

Về mặt thực tế, điều này có nghĩa là các hệ thống AI tiến hóa cùng với chiến thuật của những kẻ gian lận, duy trì hiệu quả ngay cả khi các âm mưu gian lận ngày càng tinh vi hơn.

Các hệ thống dựa trên quy tắc truyền thống thường bị tụt lại phía sau vì những quy tắc cố định của chúng cần được cập nhật thủ công mỗi khi xuất hiện các mô hình gian lận mới.

Ví dụ: Khi xuất hiện xu hướng gian lận mới như lạm dụng telemedicine trong đại dịch COVID-19, các hệ thống AI có thể nhanh chóng học và thích ứng để phát hiện những mô hình bất thường này, trong khi hệ thống truyền thống phải mất hàng tháng để cập nhật quy tắc mới.

Phương pháp học máy được sử dụng

Học có giám sát

Học có giám sát là một trong những phương pháp học máy được sử dụng rộng rãi nhất trong việc phát hiện gian lận.

Phương pháp này bao gồm huấn luyện mô hình trên dữ liệu được gắn nhãn, trong đó mỗi đầu vào (như yêu cầu bồi thường bảo hiểm) được ghép với đầu ra đã biết (ví dụ: được gắn nhãn “gian lận” hoặc “hợp lệ”).

Quá trình này giống như một giáo viên hướng dẫn máy tính, giúp nó học các mô hình liên quan đến gian lận dựa trên các ví dụ lịch sử.

Trong phát hiện gian lận bảo hiểm y tế, học có giám sát tận dụng các tập dữ liệu bao gồm các yêu cầu bồi thường trong quá khứ đã được xác minh là hợp lệ hoặc gian lận.

Thông qua học từ những ví dụ này, mô hình có thể dự đoán khả năng các yêu cầu bồi thường mới, chưa từng thấy có phải là gian lận hay không.

Điểm mạnh của học có giám sát nằm ở khả năng đạt được độ chính xác cao khi được huấn luyện trên dữ liệu được gắn nhãn chất lượng.

Hơn nữa nó có thể xử lý các thách thức tính toán khác nhau một cách hiệu quả.

Tuy nhiên, học có giám sát có một số hạn chế.

Nó đòi hỏi các tập dữ liệu được gắn nhãn tốt và chính xác.

Điều này có thể khó khăn và tốn kém để biên soạn, đặc biệt trong các trường hợp phức tạp liên quan đến dữ liệu phi cấu trúc hoặc các loại gian lận mới khác biệt đáng kể so với các ví dụ trong quá khứ.

Do đó, các mô hình có thể gặp khó khăn khi đối mặt với các tình huống không được thể hiện trong dữ liệu huấn luyện.

Ví dụ: Một hệ thống học có giám sát được huấn luyện trên 100.000 yêu cầu bồi thường đã được phân loại có thể nhận ra rằng các bác sĩ thường xuyên kê đơn thuốc giảm đau mạnh cho bệnh nhân không có triệu chứng đau mãn tính có xác suất gian lận cao 85%.

Học không giám sát

Khác với học có giám sát, học không giám sát xử lý phân tích và nhóm dữ liệu không được gắn nhãn mà không cần sự can thiệp của con người.

Cách tiếp cận này giúp hệ thống AI khám phá các cấu trúc hoặc mô hình ẩn trong tập dữ liệu mà không cần biết ví dụ nào tương ứng với gian lận.

Học không giám sát đặc biệt hữu ích để phát hiện bất thường, nhận diện những hành vi hoặc giao dịch bất thường khác biệt so với các mô hình bình thường.

Điều này khiến nó hiệu quả trong khả năng phát hiện các âm mưu gian lận mới hoặc chưa từng thấy trước đây.

Ví dụ: các thuật toán phân cụm có thể nhóm các yêu cầu bồi thường hoặc tài khoản tương tự dựa trên hành vi, đánh dấu những trường hợp nổi bật như các điểm bất thường để xem xét thêm.

Ưu điểm chính của học không giám sát là khả năng khám phá các mô hình và mối quan hệ chưa biết trong dữ liệu.

Vì thế mang lại những hiểu biết có giá trị có thể không được dự đoán trước.

Tuy nhiên, nó đòi hỏi sức mạnh tính toán đáng kể do khối lượng lớn dữ liệu huấn luyện và thường liên quan đến thời gian huấn luyện dài hơn.

Ngoài ra, các phương pháp không giám sát có thể tạo ra kết quả ít chính xác hơn và đôi khi vẫn cần các chuyên gia con người để diễn giải và xác minh các bất thường được đánh dấu.

Ví dụ: Hệ thống có thể tự động phát hiện một nhóm 50 bệnh nhân có cùng địa chỉ IP khi đăng ký bảo hiểm trực tuyến và có mô hình khiếu nại tương tự nhau.

Đây là một dấu hiệu có thể chỉ ra mạng lưới gian lận có tổ chức.

Xử lý ngôn ngữ tự nhiên

Xử lý ngôn ngữ tự nhiên (NLP) trang bị cho AI khả năng phân tích dữ liệu văn bản phi cấu trúc như hồ sơ y tế, mẫu khiếu nại và ghi chú của bác sĩ.

Với sự phổ biến của các tài liệu dựa trên văn bản trong khiếu nại bảo hiểm y tế, NLP là vô giá để phát hiện những sự không nhất quán hoặc chẩn đoán sai có thể chỉ ra gian lận.

Thông qua trích xuất chi tiết quan trọng từ văn bản tự do, NLP đẩy nhanh quá trình xử lý khiếu nại trong khi duy trì quyền riêng tư và bảo mật dữ liệu.

Các thuật toán thống kê phân loại và tổ chức thông tin để tóm tắt nội dung trong các tài liệu cụ thể một cách hiệu quả.

Các mô hình ngôn ngữ lớn (Large Language Models – LLMs), một loại công nghệ NLP tinh vi, xuất sắc trong việc hiểu ngữ cảnh và ý nghĩa trong ngôn ngữ.

Chúng có thể phân tích các ghi chú nhà cung cấp dịch vụ mở rộng, lịch sử bệnh nhân, thư khiếu nại và các nguồn dữ liệu văn bản khác để phát hiện những sự không nhất quán tinh vi hoặc thủ đoạn ngôn ngữ có thể báo hiệu hành vi gian lận.

Hơn nữa, LLMs có thể tóm tắt các tài liệu phức tạp và giải thích các phát hiện đáng ngờ bằng ngôn ngữ tự nhiên.

Từ đó hỗ trợ những người đánh giá khiếu nại trong suốt quá trình điều tra của họ.

Ví dụ: Hệ thống NLP có thể phát hiện ra rằng một bác sĩ luôn sử dụng cùng một câu mô tả triệu chứng “đau nhức khắp cơ thể và mệt mỏi” cho 500 bệnh nhân khác nhau, trong khi thông thường mỗi bệnh nhân sẽ có mô tả triệu chứng riêng biệt.

Phân tích dự báo

Phân tích dự báo sử dụng các mô hình AI để ước tính khả năng một yêu cầu bồi thường là gian lận thông qua so sánh nó với các hành vi gian lận đã biết.

Cách tiếp cận hướng về tương lai này giúp các công ty bảo hiểm và cơ quan quản lý ngăn chặn tổn thất trước khi chúng xảy ra.

Khi dự báo các tình huống gian lận tiềm ẩn dựa trên các mô hình dữ liệu lịch sử, phân tích dự báo trao quyền cho các công ty bảo hiểm thực hiện các biện pháp chủ động.

Nếu một yêu cầu bồi thường thể hiện các đặc điểm có tương quan cao với các trường hợp gian lận trước đây như một số mã thanh toán nhất định kết hợp với đặc điểm nhân khẩu học cụ thể của bệnh nhân, hệ thống có thể đánh dấu nó để chú ý ngay lập tức.

Kỹ thuật này có giá trị vì nó chuyển trọng tâm từ điều tra phản ứng sang ngăn chặn chủ động.

Do đó tiết kiệm thời gian và tài nguyên trong khi giảm tác động của gian lận.

Ví dụ: Hệ thống có thể dự đoán một phòng khám nha khoa mới mở có 73% khả năng sẽ gian lận dựa trên các yếu tố như vị trí địa lý, loại thiết bị được mua, mô hình tuyển dụng nhân viên và lịch sử của bác sĩ chủ trì.

Phân tích liên kết

Phân tích liên kết lập bản đồ các mối quan hệ giữa các nhà cung cấp dịch vụ y tế, bệnh nhân và mô hình thanh toán để điều tra các âm mưu thông đồng hoặc kế hoạch hối lộ.

Đó là những hình thức gian lận nổi tiếng khó phát hiện thông qua các phương tiện truyền thống.

Thông qua hình dung các mạng lưới tương tác và giao dịch, AI có thể xác định các cụm hoặc kết nối đáng ngờ chỉ ra các âm mưu gian lận.

Nếu nhiều nhà cung cấp nộp khiếu nại thay mặt cho cùng một nhóm bệnh nhân với các điều trị chồng chéo hoặc sự bất thường trong thanh toán, phân tích liên kết có thể làm nổi bật những mối quan hệ đáng ngờ này để xem xét kỹ hơn.

Phương pháp này giúp vạch trần các đường dây gian lận phức tạp dựa trên những nỗ lực phối hợp giữa nhiều bên.

Do đó tăng cường khả năng phát hiện tổng thể vượt ra ngoài việc phân tích yêu cầu bồi thường cá biệt.

Ví dụ: Hệ thống có thể phát hiện mạng lưới gian lận khi 20 phòng khám vật lý trị liệu khác nhau đều có chung 5 bệnh nhân “ma”, và tất cả đều sử dụng cùng một dịch vụ vận chuyển y tế và có mô hình thanh toán tương tự nhau.

Tự động hóa

Tự động hóa được hỗ trợ bởi AI đẩy nhanh khả năng phát hiện gian lận thông qua đơn giản hóa quy trình đánh giá khiếu nại và ngay lập tức xác định các bất thường theo thời gian thực.

Điều này giảm đáng kể khối lượng công việc thủ công liên quan đến xử lý khiếu nại.

Tự động hóa giảm thiểu lỗi con người trong khi tối ưu hóa quy trình làm việc của việc xác minh khiếu nại bảo hiểm.

Nó cũng rút ngắn thời gian chờ đợi của khách hàng khi đẩy nhanh phê duyệt khiếu nại hợp lệ và tập trung nỗ lực điều tra vào các trường hợp rủi ro cao được AI đánh dấu.

Khi tạo điều kiện cho khả năng ra quyết định nhanh hơn và phân bổ tài nguyên hiệu quả hơn, tự động hóa nâng cao cả hiệu quả hoạt động và sự hài lòng của khách hàng trong ngành bảo hiểm.

Ví dụ: Hệ thống tự động có thể xử lý và phê duyệt 10.000 yêu cầu bồi thường đơn giản trong vòng 24 giờ mà không cần sự can thiệp của con người, đồng thời tự động chuyển 150 trường hợp phức tạp cho đội ngũ điều tra chuyên môn.

Các ứng dụng chính

Giám sát mô hình thanh toán và dịch vụ y tế

Một trong những ứng dụng chủ yếu của AI trong phát hiện gian lận bảo hiểm y tế là khả năng nhận ra các sai lệch trong mô hình thanh toán và cung cấp dịch vụ.

Những hành vi gian lận như “nâng cấp mã bệnh,” “tách dịch vụ,” và “thanh toán ảo” tạo ra thử thách đáng kể đối với các công ty bảo hiểm và nhà cung cấp dịch vụ y tế.

Nâng cấp mã bệnh xảy ra khi các nhà cung cấp lập hóa đơn cho những dịch vụ đắt tiền hơn so với những gì thực sự đã thực hiện.

Một phòng khám có thể nộp hồ sơ yêu cầu bồi thường cho ca phẫu thuật phức tạp trong khi chỉ thực hiện thủ thuật đơn giản, từ đó tăng khoản hoàn trả một cách bất hợp lý.

Ví dụ: bác sĩ lập hóa đơn cho “phẫu thuật khối u phức tạp” nhưng thực tế chỉ cắt bỏ nốt ruồi nhỏ.

Tách dịch vụ đề cập quá trình chia nhỏ những gì nên được tính phí như một dịch vụ tổng hợp thành nhiều dịch vụ riêng lẻ.

Mỗi dịch vụ được tính phí riêng biệt, dẫn đến khả năng thổi phồng chi phí.

Ví dụ: hay vì tính một gói khám tổng quát, phòng khám có thể tách thành: phí khám, phí đo huyết áp, phí cân nặng, phí tư vấn và tất cả được tính riêng lẻ.

Thanh toán ảo liên quan đến tính phí cho những dịch vụ chưa bao giờ được cung cấp.

Loại gian lận này trực tiếp làm cạn kiệt quỹ của công ty bảo hiểm và lợi dụng hệ thống một cách trắng trợn.

Thuật toán AI vượt trội trong khả năng phát hiện những hành vi này thông qua phân tích dữ liệu thanh toán lịch sử và đánh dấu những yêu cầu bồi thường lệch khỏi mô hình bình thường.

Các hệ thống AI có thể nhận diện những khoản phí lặp lại cho các dịch vụ không cần thiết hoặc những dịch vụ chưa bao giờ được cung cấp bằng cách so sánh yêu cầu bồi thường với các quy trình điều trị tiêu chuẩn và lịch sử bệnh nhân.

Khả năng xử lý khối lượng lớn yêu cầu bồi thường một cách nhanh chóng giúp AI phát hiện theo thời gian thực hoặc gần thời gian thực.

Do đó giảm nguy cơ để các khoản thanh toán gian lận lọt qua.

Xác minh tính xác thực của hình ảnh y tế

Một lĩnh vực quan trọng khác mà AI thể hiện sự xuất sắc là xác minh tính xác thực của hình ảnh y tế được nộp cho yêu cầu bồi thường bảo hiểm như X-quang, chụp CT, và chụp MRI.

Với những tiến bộ trong thị giác máy tính, các mạng nơ-ron tích chập (CNN) có thể phân tích siêu dữ liệu được nhúng trong những hình ảnh này bao gồm chữ ký thiết bị, dấu thời gian và dấu vết chỉnh sửa.

Khả năng này hỗ trợ phát hiện xem một hình ảnh có bị thay đổi hoặc thao túng để hỗ trợ yêu cầu bồi thường gian lận hay không.

Ví dụ: một bức ảnh X-quang có thể được chỉnh sửa tinh vi để phóng đại tình trạng bệnh hoặc được sao chép qua nhiều yêu cầu bồi thường để có được hoàn trả lặp lại.

Một trường hợp thực tế là khi hình ảnh siêu âm thai được “photoshop” để tạo ra những bất thường giả mạo nhằm yêu cầu bồi thường cho thai nhi có khuyết tật.

Hơn nữa, hệ thống AI so sánh hình ảnh được nộp với cơ sở dữ liệu các hình ảnh đã nộp trước đó liên kết với yêu cầu bồi thường.

Vì vậy giúp phát hiện hình ảnh được tái sử dụng từ bệnh nhân khác hoặc các trường hợp trước đó.

Từ đó đánh dấu những thủ đoạn gian lận để yêu cầu quyền lợi nhiều lần cho cùng một hình ảnh chẩn đoán.

Những quy trình xác minh này không chỉ ngăn chặn thanh toán gian lận mà còn duy trì tính toàn vẹn của dữ liệu hình ảnh y tế, điều quan trọng đối với chẩn đoán và điều trị chính xác.

Phân tích dữ liệu văn bản phi cấu trúc

Tài liệu chăm sóc sức khỏe bao gồm dữ liệu văn bản phi cấu trúc như hồ sơ y tế, biểu mẫu yêu cầu bồi thường, và ghi chú của bác sĩ.

Các phương pháp phát hiện gian lận truyền thống gặp khó khăn với loại dữ liệu này do tính phức tạp và biến đổi của nó.

Xử lý ngôn ngữ tự nhiên (NLP), được hỗ trợ bởi AI, đưa ra giải pháp bằng cách quét những tài liệu này để tìm sự không nhất quán, mâu thuẫn, hoặc ngôn ngữ đáng ngờ có thể chỉ ra gian lận.

NLP có thể phát hiện sự khác biệt giữa chẩn đoán được ghi trong biểu đồ bệnh nhân và những gì được yêu cầu hoàn trả hoặc nhận diện các mô hình từ ngữ bất thường có thể báo hiệu sự trình bày sai lệch có chủ ý.

Ví dụ: khi bác sĩ ghi “đau nhẹ” trong hồ sơ nhưng yêu cầu bồi thường cho “đau mãn tính nghiêm trọng”.

Các mô hình ngôn ngữ lớn (LLM) đưa khả năng này lên tầm cao mới bằng cách diễn giải khối lượng lớn dữ liệu văn bản để tìm ra những manh mối tinh vi hoặc thủ thuật ngôn ngữ được sử dụng để che giấu hành vi gian lận.

Chúng cũng có thể tạo ra những lời giải thích có thể đọc được bằng ngôn ngữ con người làm nổi bật tại sao một yêu cầu bồi thường hoặc hồ sơ cụ thể xuất hiện đáng ngờ.

Vì vậy hỗ trợ các điều tra viên hiểu và hành động đối với các trường hợp được đánh dấu.

Tự động hóa phân tích văn bản phi cấu trúc, AI giảm gánh nặng cho các kiểm toán viên con người và tăng độ chính xác cũng như độ sâu của nỗ lực phát hiện gian lận.

Phát hiện thông đồng giữa các bên

Gian lận trong chăm sóc sức khỏe thường liên quan đến sự thông đồng giữa nhiều bên như nhà cung cấp, bệnh nhân, hoặc thậm chí các đối tượng bên ngoài.

Các phương pháp truyền thống gặp khó khăn để nhận diện những mạng lưới phức tạp như vậy bởi chúng đòi hỏi phân tích mối quan hệ và giao dịch qua nhiều tác nhân.

AI sử dụng phân tích liên kết để lập bản đồ kết nối giữa các thực thể khác nhau như nhà cung cấp dịch vụ y tế, bệnh nhân, tài khoản thanh toán và mô hình thanh toán của họ.

Lập bản đồ giúp khám phá những mối quan hệ ẩn gợi ý sự thông đồng hoặc các chương trình hoa hồng được thiết kế để lừa đảo các công ty bảo hiểm.

Ví dụ: nếu một nhóm nhà cung cấp liên tục lập hóa đơn cho các dịch vụ liên quan đến cùng những bệnh nhân hoặc chia sẻ các mô hình giới thiệu không phù hợp với thực hành y tế hợp pháp, AI có thể đánh dấu những mạng lưới này để điều tra sâu hơn.

Một trường hợp điển hình là khi một nhóm phòng khám và dược sĩ cấu kết để kê đơn và bán thuốc không cần thiết, chia sẻ lợi nhuận từ bảo hiểm.

Cách tiếp cận này củng cố phát hiện gian lận bằng cách vượt ra ngoài các yêu cầu bồi thường riêng lẻ để phân tích các mô hình tạo điều kiện cho hoạt động gian lận.

Tổng hợp dữ liệu gian lận

Một thách thức khi xây dựng các mô hình phát hiện gian lận AI hiệu quả là sự khan hiếm tương đối của các ví dụ gian lận được gắn nhãn so với dữ liệu hợp pháp.

Để giải quyết sự mất cân bằng này, các kỹ thuật AI sinh tạo có thể tạo ra dữ liệu gian lận tổng hợp mô phỏng các kịch bản gian lận thực tế.

Tạo ra các mẫu đa dạng và thực tế của yêu cầu bồi thường hoặc hành vi gian lận, những bộ dữ liệu tổng hợp này hỗ trợ huấn luyện các mô hình học máy một cách hiệu quả hơn.

Do đó tạo điều kiện cho các mô hình học các mô hình liên kết với gian lận thậm chí trước khi một số loại chương trình xuất hiện rộng rãi trong thực tế.

AI sinh tạo cũng hỗ trợ mô phỏng các chiến thuật gian lận mới hoặc đang nổi lên trong môi trường được kiểm soát.

Vì vậy cung cấp cho các tổ chức chăm sóc sức khỏe một công cụ chủ động để chuẩn bị cho những mối đe dọa tương lai.

Ví dụ: hệ thống có thể tạo ra các kịch bản gian lận mô phỏng việc sử dụng công nghệ deepfake để làm giả hình ảnh y tế hoặc tạo ra các mô hình thanh toán phức tạp mới.

Sử dụng dữ liệu tổng hợp do đó nâng cao độ bền vững của mô hình và cải thiện khả năng phát hiện sớm mà không cần chờ đợi các trường hợp gian lận thực tế tích lũy.

Triển khai AI thành công trong bảo hiểm y tế

Triển khai thành công

Milliman và Mastercard’s Brighterion AI

Một trong những ví dụ nổi bật nhất đến từ quan hệ đối tác giữa Milliman một công ty tư vấn và tính toán bảo hiểm hàng đầu với bộ phận Brighterion AI của Mastercard.

Cùng nhau, họ phát triển một hệ thống AI tiên tiến được tích hợp vào giải pháp Toàn vẹn Thanh toán của Milliman (MPI).

Hệ thống này được thiết kế để phân tích nhiều kịch bản đáng ngờ hơn 90 trường hợp khác nhau bao gồm các thủ thuật không thể thực hiện về mặt sinh học và đơn vị dịch vụ quá mức.

Thông qua áp dụng các mô hình học máy phức tạp trên những kịch bản này, hệ thống đã có thể nhận diện khoảng 239 triệu đô la trong các yêu cầu bồi thường y tế gian lận, lãng phí và lạm dụng.

Sức mạnh của giải pháp AI không chỉ ngăn chặn thanh toán không đúng mà còn tạo ra lợi nhuận đầu tư đáng kể cho khách hàng của Milliman.

Do đó thể hiện cách AI có thể tạo tác động tài chính hữu hình trong việc chống lại gian lận y tế.

Thành công này làm nổi bật sức mạnh khi kết hợp chuyên môn lĩnh vực với công nghệ AI tiên tiến để giải quyết các mô hình gian lận phức tạp mà các phương pháp truyền thống có thể bỏ lỡ.

Ví dụ: hệ thống có thể phát hiện khi một bác sĩ nam khoa lại thực hiện phẫu thuật sản phụ khoa, điều về mặt logic là bất hợp lý trong thực tế y khoa.

Công ty Humana

Humana, một nhà cung cấp bảo hiểm y tế lớn cũng là doanh nghiệp tiên phong trong triển khai AI để phát hiện gian lận.

Cách tiếp cận của họ tập trung vào sử dụng thuật toán học máy để rà soát dữ liệu yêu cầu bồi thường tìm các bất thường và dấu hiệu cảnh báo.

Chỉ trong năm đầu triển khai, quy trình được điều khiển bởi AI của Humana đã phát hiện hơn 10 triệu đô la trong các hoạt động có khả năng gian lận.

Hệ thống đạt được điều này bằng cách nhận diện các mô hình thanh toán bất thường và hành vi đáng ngờ giữa các nhà cung cấp.

Đây là những yếu tố mà các kiểm toán viên con người có thể không dễ dàng phát hiện do khối lượng và độ phức tạp của dữ liệu yêu cầu bồi thường.

Thành công ban đầu này không chỉ giúp giảm tổn thất tài chính mà còn khuyến khích tinh chỉnh liên tục các mô hình AI của họ để nâng cao khả năng phát hiện hơn nữa.

Kinh nghiệm của Humana chứng minh cách học máy có thể tạo giá trị khi tự động hóa phân tích các bộ dữ liệu lớn trong khi đánh dấu hoạt động đáng ngờ để điều tra sâu hơn.

Ví dụ: khi hệ thống phát hiện một phòng khám nha khoa đột nhiên tăng 400% số lượng ca nhổ răng khôn trong một tháng mà không có lý do y khoa rõ ràng.

Công ty Anthem

Anthem, một gã khổng lồ khác trong ngành đã thực hiện một cách tiếp cận tinh vi khi kết hợp AI với xử lý ngôn ngữ tự nhiên (NLP) để giám sát các yêu cầu bồi thường bảo hiểm theo thời gian thực.

Hệ thống AI quét các yêu cầu bồi thường đến để tìm dấu hiệu gian lận tiềm năng như yêu cầu bồi thường trùng lặp hoặc mã hóa không chính xác.

Trong vòng sáu tháng sau khi ra mắt giải pháp được hỗ trợ bởi AI, Anthem báo cáo giảm 25% thanh toán gian lận.

Tính chất thời gian thực của hệ thống giúp đánh dấu và xem xét ngay lập tức các yêu cầu bồi thường đáng ngờ.

Vì vậy giảm thiểu tổn thất tài chính và ngăn chặn hoạt động gian lận tiếp tục xảy ra.

Câu chuyện thành công của Anthem minh họa cách tích hợp NLP với AI có thể nâng cao khả năng phát hiện các chiến thuật gian lận tinh vi ẩn trong dữ liệu yêu cầu bồi thường phi cấu trúc và ghi chú văn bản tự do.

Ví dụ: hệ thống có thể nhận ra khi một bệnh nhân nộp hai đơn yêu cầu bồi thường cho cùng một ca phẫu thuật từ hai bệnh viện khác nhau với khoảng cách thời gian chỉ vài giờ.

Công ty Progressive, Allstate và Chubb

Các công ty bảo hiểm hàng đầu khác như Progressive, Allstate, và Chubb cũng đã tích hợp công nghệ AI vào chiến lược phát hiện gian lận của họ.

Những công ty này sử dụng học máy, phân tích dự đoán và NLP để cải thiện quy trình phân tích yêu cầu bồi thường, đánh giá rủi ro chính xác hơn và phát hiện sớm các hoạt động gian lận.

Phân tích dự đoán có thể dự báo yêu cầu bồi thường nào có khả năng gian lận cao nhất dựa trên xu hướng dữ liệu lịch sử.

Vì thế giúp các công ty bảo hiểm ưu tiên điều tra một cách hiệu quả.

NLP hỗ trợ diễn giải tài liệu y tế phức tạp hoặc giao tiếp khách hàng để nhận diện sự không nhất quán hoặc các mô hình ngôn ngữ đáng ngờ.

Ví dụ: Progressive sử dụng AI để phát hiện những vụ tai nạn xe hơi “dàn dựng”, nơi các bên liên quan cố tình tạo ra va chạm để yêu cầu bồi thường.

Hệ thống phân tích các yếu tố như địa điểm, thời gian, lịch sử lái xe và mô hình thiệt hại để xác định những vụ tai nạn khả nghi.

Tổng thể, những tiến bộ này đã nâng cao tiêu chuẩn phát hiện và ngăn chặn gian lận trong ngành bảo hiểm.

Oracle Cloud Infrastructure (OCI)

Oracle Cloud Infrastructure cung cấp các công cụ mạnh mẽ giúp các công ty bảo hiểm xây dựng mô hình học máy một cách nhanh chóng mà không cần di chuyển các bộ dữ liệu phức tạp giữa các nền tảng khác nhau.

Các giải pháp như Oracle Machine Learning và HeatWave AutoML tự động hóa nhiều phần của vòng đời học máy từ lựa chọn thuật toán đến điều chỉnh siêu tham số.

Quy trình được hợp lý hóa giúp các công ty bảo hiểm triển khai mô hình AI nhanh hơn và duy trì cập nhật chúng với dữ liệu mới để duy trì độ chính xác cao trong phát hiện gian lận.

Loại bỏ các rào cản kỹ thuật, OCI trao quyền cho các tổ chức tập trung vào áp dụng những dữ liệu từ AI thay vì quản lý những thách thức cơ sở hạ tầng phức tạp.

Nền tảng của Oracle thể hiện cách các dịch vụ AI dựa trên đám mây đang làm cho khả năng phát hiện gian lận tiên tiến trở nên dễ tiếp cận và có thể mở rộng cho các nhà cung cấp bảo hiểm ở mọi quy mô.

Ví dụ: một công ty bảo hiểm nhỏ có thể sử dụng các công cụ này để phát triển hệ thống phát hiện gian lận tương đương với những gã khổng lồ trong ngành mà không cần đầu tư hàng triệu đô la vào cơ sở hạ tầng IT.