Betalingsrisico’s binnen de gezondheidszorg vormen een hardnekkig probleem voor zorgverzekeraars. Fraude is een voorbeeld hiervan en vindt met name plaats aan de kant van de zorgaanbieders. Denk aan de tandarts die dubbele nota’s stuurt voor een behandeling of een andere behandeling claimt dan is uitgevoerd. Niet alleen fraude, maar ook het – onopzettelijk – invullen van verkeerde patiëntinformatie vormen risico’s die de zorgverzekeraars kapitalen kunnen kosten.

Fraude

In 2011 werd de totale schade van fraude op 7,7 miljoen vastgesteld, en van onrechtmatige declaraties op 167 miljoen. Experts schatten dat de totale kosten van onterecht ingediende claims maar liefst 2,7 miljard bedragen. Aangezien er miljoenen claims op jaarbasis beoordeeld moeten worden is het monnikenwerk om adequaat in te schatten welke juist of onjuist zijn. Ook de consistentie van de claimbeoordeling is in het geding wanneer werknemer A andere maatstaven hanteert dan werknemer B. Daarom moeten zorgverzekeraars hun processen verder automatiseren voor een consequente, zorgvuldige en gelijke afhandeling van alle claims.

Voorspellende analyses

Door voorspellende analyses in te zetten kunnen zorgclaims vroegtijdig in het proces beoordeeld worden op risico’s en zodoende direct worden uitbetaald of doorgestuurd worden voor nader onderzoek. Het sneller opsporen van onregelmatigheden in zorgclaims leidt tot minder schade en opsporingskosten voor de verzekeraar. Dit levert de consument ook een voordeel op, als dit wordt doorberekend in lagere premies. Zorgverzekeraars moeten wel waken voor het risico dat welwillende zorgaanbieders of consumenten verkeerd behandeld worden. Hoe strikt moet men zijn als een bepaalde tandarts plotseling veel meer kroonbehandelingen uitvoert dan normaal? Het is belangrijk om snelle en nauwkeurige inschattingen te maken en het risico op een mogelijk onjuiste claim veel eerder in het afhandelingsproces te voorspellen.

Maak gebruik van de aanwezige kennis

Zorgverzekeraars kunnen voor het doen van dergelijke risicovoorspellingen uit vele informatiebronnen putten. Een aantal suggesties:

• Risico-indicatoren: stel concrete risico-indicatoren op die zijn afgeleid uit gedragspatronen die fraudeurs in het verleden hebben vertoond. Deze indicatoren verschillen voor patiënten, zorgaanbieders, specialismen en behandelingen. Ook moet rekening gehouden worden met diverse factoren zoals de samenstelling van de tandartspraktijk en de regio waarin deze zich bevindt.

• Voorspellende modellen: maak gebruik van voorspellende modellen gebaseerd op gegevens uit het verleden. Door eerdere onderzoeksresultaten over claims te vergelijken, kunnen geavanceerde modellen nauwkeurig onderscheid maken tussen correcte en incorrecte claims. Dit helpt de zorgverzekeraars, al vanaf het moment dat de claim ingediend wordt, bij het bepalen van het betalingsrisico dat erachter schuilt.

• Afwijkende patronen: onderzoek patronen in declaratiegedrag en afwijkingen daarbinnen om zodoende nieuwe vormen van fraude te ontdekken. Door een continue monitoring op dit soort afwijkingen, waarbij ook rekening wordt gehouden met zaken als praktijkgrootte, regio, patiëntenbestand en specialisme, kan een zorgverzekeraar eerder nieuwe vormen van fraude en misbruik ontdekken.

Openheid van zaken

Als zorgverzekeraars alleen vertrouwen op de kennis die ze zelf verzameld hebben kunnen ze zaken over het hoofd zien. Misschien heeft hun klantenbestand veel mensen uit een bepaalde leeftijdscategorie of regio die specifieke ziektebeelden vertonen. Kennisdeling met andere zorgverzekeraars zorgt voor een kleinere kans dat nieuwe vormen van fraude over het hoofd gezien worden. Dit reduceert de betalingsrisico’s op drastische wijze.

Wanneer een zorgverzekeraar daadwerkelijk fraude ontdekt, is het van belang deze informatie te delen met de politie en het OM, en daarnaast mogelijk soortgelijke patronen te vinden in de overige claimsgegevens. Door dergelijke patronen te integreren in het bestaande voorspellingsmodel, wordt de zorgverzekeraar een zelflerende organisatie die uit elke claim nieuwe kennis opdoet. Hierdoor kunnen veel meer fraudegevallen worden opgespoord dan nu het geval is. Er dient nog wel een efficiencyslag gemaakt te worden op het gebied van onderzoek case management, onderzoeksanalyse, informatieuitwisseling en toepassing van gespecialiseerde technologie.

Jaap Vink is Predictive Analytics Leader in de publieke sector bij IBM