Mit Fraud Analytics erkennen und verhindern Sie Betrugsfälle

Fehlverhalten im Gesundheitswesen wird mit der Digitalisierung nicht eliminiert. Es verändern sich nur die Möglichkeiten. Die Betrugsfälle sind vielfältig, etwa durch Ärzte, Apotheker und Pflegedienstleister. So werden beispielsweise Leistungen bei Krankenkassen geltend gemacht, die so nie erbracht wurden.

Die Maschen der Betrüger zu durchschauen ist meist hoch anspruchsvoll und gelingt oft nur Profis.
Gebündelte fachliche Kompetenz sowie technische Skills und Know-how in Bezug auf Daten und dem Einsatz von prädiktiven Insturmenten ist die Antwort der metafinanz.

Das bringt Fraud Analytics:

Datengetriebene Betrugserkennung mittels mehrstufiger analytischer Ansätze in der Pharmaindustrie:

  • Identifikation von Betrugsfällen
  • Unbekannte Betrugsmuster erkennen
  • Automatisierung der Verarbeitung
  • Optimierung der Verarbeitung
  • Senkung der Kosten
  • Fokus der manuellen Arbeit auf Vorgänge mit direktem Kundenkontakt
Ihr Ansprechpartner:

Stefan Schwesig

metafinanz Informationssysteme GmbH
Leopoldstraße 146 | 80804 München

Tel. +49 89 360531-0

Mail: stefan.schwesig@metafinanz.de

Unsere Projekterlebnisse

Unser Erfolg ist der Erfolg unserer Kunden.

Fraud Detection in der Gesundheitsbranche

Betrugserkennung durch simultanes Verwenden von Ansätzen

Mehr

Ziel des Projekts war die Entwicklung eines Modells zur automatisierten Erkennung von betrugsverdächtigen Abrechnungen von Leistungserbringern aus dem Healthcare-Bereich.

Hierzu wurden vier verschiedene Ansätze simultan eingesetzt:

1. Business Rules

2. Prognosemodell

3. Erkennung von Ausreißern (anomalie detection)

4. Netzwerkanalyse

Der simultane Einsatz ermöglicht eine Erkennung von Betrugsfällen durch wiederkehrende auffällige Abrechnungsmuster von einzelnen Leistungserbringern.

Die automatisierten Auswertungen auf Patientenebene, auf Krankenhausebene sowie auf Diagnoseebene über mehrere Krankenhäuser wurde dabei speziell für chronische Krankheitsbilder angewendet.
Neben predictive models und Netzwerkanalysen in R wurden zusätzlich Verfahren des Text-Minings auf Diagnosebeschreibungen angewandt, um potenzielle Betrugsmuster aufzudecken. Unter anderem kamen hierbei Verfahren wie Latent Semantic Indexing, Latent Dirichlet Allocation und Correlated Topic Modelling zum Einsatz.
Unter Verwendung von R wurde darüber hinaus auch ein Benchmarking verschiedenster Data Mining-Verfahren für die Betrugsvorhersage durchgeführt.

„Mit der automatischen Betrugserkennung konnten wir unsere Kosten spürbar reduzieren“

Weitere Informationen anfordern. 
 
Ihr Ansprechpartner

Stefan Schwesig

metafinanz Informationssysteme GmbH
Leopoldstraße 146 | 80804 München

Tel. +49 89 360531-0

Mail: stefan.schwesig@metafinanz.de