Koneoppiminen terveysvakuutuspetosten tunnistamisessa

Abstract

Vakuutuspetokset ovat merkittävä ongelma vakuutusalalla niiden aiheuttaessa suoria taloudellisia menetyksiä ja heikentäessä vakuutusjärjestelmän luotettavuutta. Petosten havaitsemista vaikeuttaa se, että vilpillinen toiminta sulautuu usein osaksi normaaleja hoito- ja korvausprosesseja, jolloin yksittäiset petostapaukset jäävät helposti piiloon manuaalisen valvonnan ja sääntöpohjaisten järjestelmien ulottumattomiin. Manuaalinen valvonta puolestaan on usein sekä hidasta että rajoitteista. Teknologinen kehitys ja koneoppimismenetelmät, tarjoavat uusia mahdollisuuksia ongelman ratkaisemiseen.

Tämän tutkielman tavoitteena on selvittää, miten koneoppimismenetelmiä voidaan hyödyntää terveysvakuutuspetosten tunnistamisessa ja ehkäisemisessä, sekä millaista tietoa nämä menetelmät käyttävät petoksen havaitsemisen perusteena. Näihin kysymyksiin vastataan kahden tutkimuskysymyksen avulla: 1. Miten koneoppimismenetelmiä hyödynnetään terveysvakuutuspetosten tunnistamisessa? ja 2. Millaisia tietoja ja muuttujia petosten havaitsemisessa käytetyt menetelmät hyödyntävät?

Tutkimus toteutettiin systemaattisena kirjallisuuskatsauksena, ja aineisto analysoitiin aineistolähtöisen sisällönanalyysin avulla. Tulosten perusteella koneoppimismenetelmät hyödyntävät laajaa tietopohjaa, joka ulottuu laskutuksen ja hoitotoimenpiteiden määristä palveluntarjoajan profiileihin ja hoitoketjujen johdonmukaisuuteen. Yksittäiset muuttujat eivät ole ratkaisevia, vaan petollinen toiminta paljastuu usein epätavallisista yhdistelmistä ja toiminnan rakenteellisista muutoksista. Koneoppimismenetelmistä erityisesti puupohjaiset mallit sekä valvottujen ja valvomattomien menetelmien yhdistelmät, eli ”hybridimallit ”osoittautuivat tehokkaiksi. Menetelmien onnistunut käyttö edellyttää kuitenkin laadukasta ja suurta datamäärää, epätasapainoisen aineiston asianmukaista käsittelyä sekä mallien tulkittavuutta, jotta saatuja tuloksia voidaan hyödyntää käytännössä.

Yhteenvetona tutkimus osoittaa, että koneoppiminen tarjoaa lupaavan välineen terveysvakuutuspetosten havaitsemiseen. Sen avulla valvontaa voidaan kohdentaa aiempaa tarkemmin ja ennakoivammin, kunhan käytettävä data on riittävän kattavaa ja menetelmät läpinäkyviä.