AI：打击医疗行业不良行为的有效工具

AI可以成为计划减少医疗行业欺诈、浪费和滥用行为的高度有效工具，但前提是必须将其与调查情报相结合。

据Erin Rutzler于2025年2月10日报道

欺诈、浪费和滥用（FWA）方案，如不必要的基因检测、虚假的新冠检测以及不适当的心理健康服务计费，继续困扰着医疗行业——而人工智能（AI）在这些方案中扮演了越来越重要的角色。考虑到AI在其他商业领域的迅速变革，一些不良行为者利用AI实施各种欺诈行为并不令人惊讶，包括生成虚假索赔和克隆医疗记录，甚至创建“深度伪造”提供者来支持虚假索赔。

保守估计，FWA方案造成的财务损失占总医疗支出的3%，根据国家医疗反欺诈协会（NHCAA）的数据。鉴于2023年美国医疗支出达到创纪录的4.8万亿美元，支付方每年至少会因FWA方案损失1440亿美元。

使打击这些方案特别具有挑战性的是它们不断演变。传统的基于规则的欺诈检测和调查分析可以帮助支付方识别已知的方案，但规则可能过于僵化，无法识别新的和新兴的方案。因此，支付方往往需要在打击欺诈方面追赶，特别是在资源限制其维持大型特别调查部门（SIU）的能力时。然而，将诸如机器学习（ML）等复杂的AI工具添加到他们的反欺诈武器库中，可以帮助计划比仅使用传统基于规则的逻辑更快地识别最新方案。

为了优化其欺诈检测工作，计划领导者应了解如何通过部署这些AI应用程序来补充他们的人类专业知识，从而更快速和准确地检测FWA方案。

机器学习在检测欺诈方面的潜力

为了补充传统的基于规则的欺诈检测系统，具有前瞻性的健康计划正在利用先进的AI方法，如机器学习，以发现不当索赔并识别有问题的FWA趋势。两种主要类型的ML算法可以协助计划进行这些重要工作：监督学习和无监督学习模型。

• 监督学习：监督学习模型可以通过一个迭代过程进行训练，该过程要求最终用户标记数据。在这种方法中，有经验的调查人员验证工具的发现（例如，将工具识别为可疑的计费行为标记为有问题并值得调查），并提供专家反馈，帮助模型从输入中学习。随着时间的推移，这些工具变得更好，可以标记出具有可疑行为的提供者，从而使调查人员可以花更多时间追查而不是识别潜在的欺诈行为。

• 无监督学习：与监督学习不同，无监督学习模型不由最终用户进行训练。相反，无监督模型通过诸如异常检测等方法学习识别FWA模式。当用于补充现有的基于规则的算法时，无监督学习模型可以帮助SIU更快地识别新兴的FWA威胁，并降低错过机会的可能性。趋势分析，另一种形式的无监督学习，也可以通过代码比较提供者的计费行为与其同行，以发现潜在的欺诈行为。这表明了通过多种技术（包括监督学习）检测新兴FWA趋势的价值，特别是当调查人员不受限于基于规则的分析时。

使用AI防范欺诈的智能策略

尽管AI可以为计划的欺诈检测工作增加巨大价值，但它并不是万能药。随着计划领导者考虑将ML模型融入其组合中，他们应该认识到这些工具必须补充——而不是取代——人类专业知识。以下是一些计划领导者可以负责任且有效地实施AI进行欺诈检测的策略：

• 认识AI和ML在整个战略中的位置。仅靠复杂的模型无法实现FWA预防。相反，它需要多种调查方法，并由计划的SIU进行补充，以获得最佳结果。

• 超越自己的计划。使用融合了AI的数据驱动工具，汇总来自全国各地健康计划的数据，可以帮助团队更有效地识别欺诈趋势。通过利用广泛的数据，SIU可以识别原本未被发现的方案。

• 消除调查人员将被AI取代的误解。计划领导者应阐明使用AI模型的好处，包括能够专注于调查和恢复，而不必承担未经核实的假阳性线索的负担。

• 了解AI驱动骗局的迹象。由于不良行为者现在可以轻松复制医疗记录，计划需要有流程来检测伪造记录的明显迹象，例如高比例的服务重复诊断代码或与出生日期冲突的患者年龄。

• 使用AI验证成员提供的线索。一个健康计划收到了一条提示，称某提供者未提供家庭健康服务却进行了计费，并且未能重新评估成员的需求。经过数据分析确认该提供者是一个异常值，并已计费超过100万美元的不当索赔后，该计划与执法部门合作启动了刑事调查。结果，提供者同意支付300万美元，以解决违反《虚假索赔法》的指控。

• 要有耐心。从机器学习中获得最佳结果可能需要时间，因为训练模型是一个持续的过程。然而，大多数计划发现，拥有一个有效的工具来补充他们的调查专业知识是值得等待的。

对AI和ML价值的现实看法

尽管计划领导者有理由担心不良行为者会利用AI实施欺诈，但他们也应认识到机器学习模型在帮助他们应对新兴威胁和减少损失方面的巨大价值。通过利用AI进行FWA预防和恢复，计划领导者可以帮助他们的SIU领先于最新的方案，提高索赔准确性，降低风险并更高效地运作。

(全文结束)