Sağlık Sigortası Geri Ödemelerinde Kuraldışı Davranış Tespiti

... konulu sunumlar: "Sağlık Sigortası Geri Ödemelerinde Kuraldışı Davranış Tespiti"— Sunum transkripti:

1 Sağlık Sigortası Geri Ödemelerinde Kuraldışı Davranış Tespiti
Aktör, Metâ ve Ağ Odaklı Proaktif Model İlker KÖSE (GYTE, Promed, Tepe International) Yrd. Doç. Dr. Mehmet GÖKTÜRK (GYTE) Yrd. Doç. Dr. Kemal KILIÇ (Sabancı Üniversitesi) Yöneylem Araştırması ve Endüstri Mühendisliği 30. Ulusal Kongresi 1 Temmuz 2010

2 İçerik Problemin tanımı Literatürdeki Çalışmalar
Literatürdeki Çalışmaların Değerlendirilmesi Önerilen Model: Aktör, Metâ ve Ağ Odaklı Proaktif Model Paydaşlar Çalışmanın Aşamaları Metot Bilimsel Hedef ve Araştırma Alanlarımız İlgili Çalışma Alanları Kaynaklar

3 Problemin tanımı Tanımlar
Sahtecilik (Fraud): “Yanlış olduğu bilinmesine rağmen bir şeyin kasıtlı olarak farklı beyan edilmesi suretiyle başkalarına zarar verme veya feshedildiği taktirde karşı tarafın aleyhine olacak bir sözleşmenin feshi için karşı tarafı zorlama eylemidir.” Suistimal (Abuse): “Bir şeyden, kötü veya yanlış bir maksatla faydalanma veya bir şeyi amacı dışında kullanma” Fraud is generally defined in the law as an intentional misrepresentation of material existing fact made by one person to another with knowledge of its falsity and for the purpose of inducing the other person to act, and upon which the other person relies with resulting injury or damage. Fraud may also be made by an omission or purposeful failure to state material facts, which nondisclosure makes other statements misleading.

4 Problemin tanımı Tanımlar Sahteciliğin Unsurları [1] Eyleme dair bir sunuş (ifade) vardır Maddi çıkar söz konusudur Eylemin yanlışlığı sabittir İfade verenler, eylemin yanlışlığına dair bilgi sahibidir İfade verenlerin, bu eylemin mağdura karşı işlenmesi gerektiğine dair niyetleri vardır Mağdur, eylemin sahtecilik olduğunu fark etmemiştir Mağdur, sunuluşu itibariyle eylemde bir sorun olduğunu da fark etmemiştir Mağdur, sunuluşu itibariyle eyleme güvenmede haklıdır Ancak mağdur, eylemin sonuçlarından zarar görmüştür

5 Problemin tanımı Sağlıkta Sahtecilik Sağlıkta sahteciliğin tespiti çok zordur. Çünkü; Yeterli medikal bilgiye, Ödeme talep edilen işlemle ilgili detaylı verilere, Hatta, sağlık hizmeti alan kişinin geçmiş işlem verilerine gereksinim duymaktadır. Gerekli veriler elde edilse bile; Medikal süreçlerin (klinik kılavuzların) sürekli gelişiyor ve değişiyor olması, Tedavi yöntemlerinin, yaşa, cinsiyete, eşlik eden hastalıklara ve kişiye özel farklılıklar göstermesi, yapılan bir medikal işlemin doğruluğu konusunda farklı görüşlerin ortaya çıkmasına neden olabilmektedir.

6 Problemin tanımı Sağlıkta Sahtecilik Sahteciliğin önemli bir kısmı bilinmemektedir Bilinen bazı sahtecilik yöntemleri: Yapılmayan bir tedavinin ya da verilmeyen bir ilacın masraflarının talep edilmesi, Sigortalı olmayan birisinin sigortalı birinin hakkından yararlanılması, İhtiyaç dışı ilaç yazılması veya tedavi uygulanması Tedavi masrafının ya da bir ilacın ederinden fazla beyan edilmesi, Yazılandan farklı bir ilacın verilmesi, Sigorta kurumu içerisinden birisinin işbirliği sonucunda hayalet kurum ve kişiler yaratarak ödemeler yapılması

7 Problemin tanımı Sağlıkta Sahtecilik Sağlıkta sahtecilikle ilgili araştırmalarda: ABD’de; Sigortacılık sahteciliğinin %10 oranında (yaklaşık 30 milyar USD) [2] Sağlık işlemlerinde toplam %3 [3] ila %10 [4] oranında (yaklaşık 115 milyar USD) İngiltere’de Sigortacılık sahteciliğinin 3.8 milyar USD miktarında [5] Kanada’da; Kişisel sigortacılık sahteciliklerin 500 milyon USD miktarında [6] yapıldığı tahmin edilmektedir.

8 Literatürdeki Çalışmalar
İncelenen Yayınların Başlıcaları Phua vd. (2005) [7,8] He vd. (1997) [9] Major ve Riedinger (2002) [10] Williams (1999) [11] Sokol vd. (2001) [12] Yang ve Hwang (2006) [13,14] Ortega vd. (2006) [15] Yamanishi vd.’nin (2007) [16]

9 Literatürdeki Çalışmaların Değerlendirilmesi
Yetersiz veya eksik görülen yönler Çalışma zamanları oldukça yüksektir Genellikle proaktif değil, reaktif olarak tespit yapılabilmektedir Aktör temelli olan yaklaşımlarda, süreçteki tüm aktörler değil, sadece bir veya birkaçı dikkate alınmaktadır Genellikle sağlık alanının tamamı değil, sadece belirli bir alanı ele alınmaktadır Tek bir suistimal tipinden/anomaliden bahsedilmekte, farklı aktörlerin farklı şekilde oluşturduğu suistimal tipleri için esnek bir yapıdan bahsedilmemektedir Aktörler arasındaki ilişki ayrıca incelenmemiş, suistimal için bir araya gelmiş olabilecek şebekelerin tespitine dair bir çalışma yapılmamıştır Başarılı olup olmadıklarına dair verilen bilgiler yetersizdir

10 Önerilen Model: Aktör, Metâ ve Ağ Odaklı Proaktif Model
Paydaşlar – TEYDEB “Sağlık Geri Ödeme Sistemlerinde Kuraldışı Davranışların Tespiti”

11 Önerilen Model: Aktör, Metâ ve Ağ Odaklı Proaktif Model
Çalışmanın Aşamaları Tanımlama Sahtecilik tipleri Aktörler Metâlar Tespit Sahtecilik izleri /neden olduğu anomaliler Aktör nitelikleri Ağırlıklandırma Aktörlerin ağırlıklandırılması Aktörlerin ağ ilişkisi için ağırlıklandırılması Aktör niteliklerinin ağırlıklandırılması Risk Hesaplama Aktörlerin genel nitelikleriyle riskin hesaplanması Aktörlerin metâya özel nitelikleriyle riskin hesaplanması Ağ ilişkisi dikkate alınarak riskin hesaplanması Değerlendirme ve İyileştirme Başarının ölçülmesi Aktörlerin ve ağırlıklarının düzenlenmesi Niteliklerin ve ağırlıklarının düzenlenmesi Risk hesaplama algoritmasının düzenlenmesi Ağ ilişkisinden risk güncelleme algoritmasının düzenlenmesi Risk eşik değerlerinin düzenlenmesi

12 Önerilen Model: Aktör, Metâ ve Ağ Odaklı Proaktif Model
Metot: Tanımlama, Tespit ve Ağırlıklandırma Aktör Nitelikleri Sahtecilik İzi Wijk Etken madde başına maliyet Sahtecilik Benzer içerikli reçeteler artar Xijk Wij Sahte Reçete Xij Xi İlaç firması başına ilaç oranı Aynı hekimden daha çok reçete gelir Hekim başı reçete oranı Aynı hastalara daha çok reçete yazılır Kişi başı reçete maliyeti Kişi başı reçete oranı

13 Önerilen Model: Aktör, Metâ ve Ağ Odaklı Proaktif Model
Metot: Risk Hesaplama İşlemin Sahtecilik Riski Genel Aktör Riski (Ri) R(Eczacı) Nitelik A Nitelik B Nitelik C R(Doktor) Nitelik X Nitelik Y R(Hak Sahibi) Nitelik I Nitelik II Nitelik III Metâya Özel Aktör Riski (Ri’) R(Eczacı-Metâ) Nitelik a R(Doktor-Metâ) Nitelik x Nitelik y R(Hak Sahibi-Metâ) Nitelik i Metâya Özel Ağ Riski (Ri’’)

14 Önerilen Model: Aktör, Metâ ve Ağ Odaklı Proaktif Model
Metot: Metaya Özel Analiz Aktörler Aktör Ağ İlişkisi Metâlar Genel Aktör Nitelikleri (Dönemsel, Farksal, Kümülatif) Metâya Özel Aktör Nitelikleri (Dönemsel, Farksal, Kümülatif)

15 Önerilen Model: Aktör, Metâ ve Ağ Odaklı Proaktif Model
Metot: Proaktif ve Retrospektif Analiz Risk Hesaplama Motoru Proaktif Analiz Aktör – Metâ Kombinasyonu Sahtecilik Tiplerine Özel Risk Değerleri Retrospektif Analiz Risk Hesaplama Motoru Geçmiş İşlem Verileri

16 Önerilen Model: Aktör, Metâ ve Ağ Odaklı Proaktif Model
Bilimsel Hedef ve Araştırma Alanlarımız Birden fazla sahtecilik türünün tespit edilmesinin mümkün olup olmadığı. Ri sahtecilik tipinin riski, Aj aktör tipi olmak üzere, bir işlemde genel risk: Ri = f(R(Aj)), i=1..n, j=1..m, Aktör niteliklerinden aktör risklerinin, aktör risklerinden de işlem riskinin hesaplanmasının yöntemleri ve başarı düzeyleri f(R(Aj)=? Aktör niteliklerin belirlenmesinde yöntemler ve uzman desteği ile seçilen niteliklerin ve ağırlıklarının doğrulanması R(Aj)=? Aktörlerle metâ ilişkisinin sahtecilik tespitindeki etkisi Ri’ = g(Ri) g()=? Aktörler arasındaki ilişkinin (ilişki sıklığı, işlem hacmi, vb) aktör risklerine etki etmesinin sahtecilik tespitindeki etkisi Ri’’= n(Ri’, Rm), Rm=?, n()=? Bir işlemde yer alan n aktör ve ön belirlenmiş m nitelikle, sahteciliğin proaktif tespitinin ne derece mümkün olduğu z-score Normality test f=? Confidence interval AHP Unsupervised learning (EM, k-nn, vb) ~PageRank DW

17 İlgili Çalışma Alanları
Aktörler için doğru nitelik seçimi Nitelik ağırlıklandırma Risk hesaplama yöntemleri Aktör ilişki analizi Aktör ilişkilerinin görselleştirmesinin sahtecilik tespitindeki kullanımı

18 Kaynaklar South Carolina Judicial Department
Insurance Information Institute. "Insurance Fraud." Insurance Information Institute. 1 December 2007 National Health Care Anti-Fraud Association. "The Problem of Health Care Fraud." National Health Care Anti-Fraud Association. 1 December 2007 Hyman, David A. "Health Care Fraud and Abuse: Market Change, Social Norms, and the Trust 'Reposed in the Workmen'." The Journal of Legal Studies (2001): Insurance Fraud Bureau. "Fighting Organized Insurance Fraud." p. 2. Insurance Bureau of Canada. "Cost of Personal Injury Fraud.“ Phua, C. (2003) Investigative Data Mining in Fraud Detection. Bachelor Thesis, Monarsh University Phua, C., Lee, V., Smith, K. and Gayler, R. (2005) “A Comprehensive Survey of Data Mining –based Fraud Detection Research”. He, H. , Wang, J., Graco, W and Hawkins, S. (1997) “Application of Neural Networks to Detection of Medical Fraud”. Expert Systems With Applications, Vol 13, No.4, pp Major, John A. and Riedinger, Dan R. (2002) "EFD: A Hybrid Knowledge/Statistical-Based System for the Detection of Fraud". Journal of Risk & Insurance, Vol. 69, pp , Available at SSRN:

19 Kaynaklar Williams, G. (1999) “Evolutionary hot spots data mining: An architecture for exploring for interesting discoveries,” In Proc. of PAKDD99 Sokol, L., Garcia, B. , Rodriguez, J., West, M. And Johnson, K. (2001) “Using Data Mining to Find Fraud in HCFA Health Care Claims”. Top Health Inf Manage. 22(1) pp.1-13 Yang, W.-S. (2003) A Process Pattern Mining Framework for the Detection of Health Care Fraud and Abuse, Ph.D. thesis, National Sun Yat-Sen University, Taiwan Yang, W.-S and Hwang, S.-Y. (2006), “A process mining framework for the detection of healthcare fraud and abuse”. Expert Systems with Applications, 31, 56-58, 2006 Ortega, P.A., Figueroa, C.J.,and Ruz, G.A. (2006) "A medical claim fraud/abuse detection system based on data mining: A case study in Chile". DMIN'06,The 2006 International Conference on Data Mining,Las Vegas, Nevada, USA, June 26-29, 2006 Yamanishi, K. and Takeuchi, J.-I. (2007) “On-line Unsupervised Outlier Detection Using Finite Mixture with Discounting Learning Algorithms”. Data Mining and Knowledge Discovery, 8,

20 TEŞEKKÜRLER