¿Cómo detectar el fraude con inteligencia artificial en aseguradoras?

Alvaro
Escrito por Alvaro el
¿Cómo detectar el fraude con inteligencia artificial en aseguradoras?

El Fraude a las aseguradoras

En su último reporte, la Asociación Nacional de Lucha Contra el Fraude, NHCAA (1) por sus siglas en inglés, estimó que el fraude que reciben las aseguradoras en el sector sanitario en Estados Unidos representa entre el 3% y el 10% del gasto total del sistema. Si se tienen en cuenta los más de 2.26 Trillones de dólares que se están invirtiendo anualmente, representa pérdidas de entre 70 y 300 billones de dólares al año.

Lo más grave, es que aparte de las pérdidas monetarias se ha demostrado que los fraudes al sistema de salud también representan un riesgo para la atención de los pacientes. En octubre de 2019, la Universidad John Hopkins (2) publicó un estudio en el que se encontró que los pacientes tratados por Instituciones Prestadores de Servicio, que luego fueron excluidas del sistema por fraude, tenían entre un 14% y un 17% más de probabilidades de morir que aquellos que fueron tratados por proveedores que no cometieron fraude.

Como respuesta las aseguradoras se han puesto a la tarea de entrenar expertos que identifiquen manualmente los diferentes casos de fraudes que se presentan. Para tal fin, definen a partir un conjunto de reglas básicas que les permitan identificar cuando un proceso puede ser etiquetado como fraudulento. No obstante, este proceso manual toma una gran cantidad de tiempo debido al alto volumen de casos y puede presentar errores consistentes (3).

¿Puede la Inteligencia Artificial ayudar a detectar el fraude en las aseguradoras de salud?

Los algoritmos inteligentes son capaces de aprender de los casos históricos y adaptarse de manera compleja a la identificación de patrones en la detección de fraudes, este tipo de tecnología la usan los bancos para detectar blanqueo de dinero o estafas. Un sistema de este tipo puede identificar y corregir los errores y evitar intervenciones innecesarias o inefectivas ahorrando una gran cantidad de tiempo, dinero y esfuerzo.

Al ser un algoritmo, todas las reclamaciones pueden ser analizadas de manera automática, haciendo que el tiempo requerido para identificar un posible fraude sea únicamente el que le toma al algoritmo analizar la información (Menos de 1 minuto por lo general). Al realizar la priorización de las reclamaciones, los operarios tienen la capacidad de invertir mejor su tiempo en el manejo de siniestros disminuyendo dramáticamente los errores de operación asociados a falta de tiempo. Por último, los modelos de detección de fraude tienen tal sensibilidad y precisión que pueden generar una reducción del 3-10% del gasto por fraude no detectado en aseguradoras de salud.

¿Cómo entrenar algoritmos de IA capaces de detectar fraude en las aseguradoras?

Con la funcionalidad Hippocrates de Arkangel Ai es posible entrenar modelos de detección de fraude sin escribir una línea de código. Hippocrates procesa y analiza la data disponible de la aseguradora y corre cientos de experimentos de manera automática hasta desarrollar un algoritmo capaz de detectar las reclamaciones anómalas de los pacientes y dirigirlas a una investigación de sospecha de fraude con un agente. Este algoritmo tiene dos objetivos principales:

  • Detectar automáticamente anomalías en los siniestros. Donde las predicciones se entregan en forma binaria: anomalía o normal, junto con un porcentaje de confianza en la predicción.
  • Priorizar automáticamente los siniestros según el porcentaje de confianza y el costo asociado al siniestro (o/y cualquier otra variable de alto riesgo a la que queramos dar peso).

¿Qué necesita Hippocrates para desarrollar un algoritmo de Ai capaz de detectar fraude en una aseguradora?

Hippocrates, como cualquier plataforma basada en IA requiere de un conjunto de datos que sirvan como insumo en su proceso de aprendizaje. En este caso esa información corresponden a una base de datos histórica (>24 meses) de siniestros que contenga registros de algunas variables como: costo asociado a la reclamación, datos básicos del beneficiarios (edad, sexo, etc.), código ICD de diagnóstico del siniestro, especialidad del doctor tratante, entidad prestadora del servicio, entre otras variables de interés para la detección del fraude, y por su puesto la identificación de si el registro corresponde o no a un registro fraudulento.

Una vez los datos están estructurados, Hippocrates procede a desarrollar el algoritmo en 5 fases.

  1. Compilación y preprocesamiento de los datos de siniestros.
  2. Análisis de los datos con algoritmos estadísticos.
  3. Entrenamiento de algoritmos de inteligencia artificial.
  4. Desarrollo de métricas de evaluación comparativa.
  5. Testeo en campo con muestras reales de siniestros.

Las aseguradoras que consideren el uso de un sistema de IA en la gestión de siniestros deben priorizar una cultura de gestión de Datos y estructurar una base sólida para el éxito en la detección de Fraude:

  • Reclamaciones originales digitalizadas.
  • Un proceso de gestión de reclamaciones establecido.
  • Documentación estructurada y digitalizada de los resultados.

Arkangel AI también puede ayudarte en la estructuración de esos datos.


La inteligencia artificial tiene jugará un papel importante en la digitalización de procesos que impliquen analizar cientos de datos y variables con extrema precisión, por esto es que todas las grandes empresas están desplegando sus equipos de innovación en implementar soluciones tecnológicas que agreguen valor a sus servicios y productos y el sector salud no es la excepción, es quizás uno de los sectores en los que la AI tendrá más potencial de impacto.

Si quieres conocer más sobre el software Arkangel Ai y su funcionalidad Hippocrates AutoML déjanos tu (información profesional) y uno de nuestros agentes se pondrá en contacto contigo para acompañarte en un on-boardig uno a uno de nuestra tecnología y asesorarte en el proyecto que tienes en mente.


(1) FRAUD TRENDS PANEL

(2) Association Between Treatment by Fraud and Abuse Perpetrators and Health Outcomes Among Medicare Beneficiaries

(3) 5 million Euro savings thanks to not having to pay-out proven claim frauds

Comentarios

comments powered by Disqus