Een keuze-framework voor outlier-detectiemethoden voor declaratiefraudescenario’s in de Zorg

摘要

De kosten van de zorg stijgen ieder jaar. Volgens het CBS bedroegen in 2015 de totale zorgkosten 95,3 miljard euro. Om deze kosten beheersbaar te houden, is het van belang om te kijken hoe ze verminderd kunnen worden, zonder dat dit ten koste gaat van de kwaliteit. Volgens het rapport The Financial Cost of Healthcare Fraud en het Openbaar Ministerie ligt het fraudepercentage in de zorg op minimaal 3%, waarschijnlijk meer dan 5% en mogelijk meer dan 10%. Dat zou voor de zorg neerkomen op minimaal 2 miljard euro per jaar. Zorgverzekeraars constateerden in 2015 slechts 11,1 miljoen euro aan fraude, wat dus naar alle waarschijnlijkheid het topje van de ijsberg is. Zorgverzekeraars gebruiken momenteel voornamelijk materiële controles op declaratieniveau om declaratiefouten en -fraude op te sporen, maar maken nog nauwelijks gebruik van moderne datamining-methoden om proactief frauduleuze zorgaanbieders op te sporen. Het doel van het onderzoek is een keuze-framework, voor de selectie van outlier-detectiemethoden voor declaratiefraudescenario’s in de zorg. Het onderzoek volgt de Design Science-methode , waarbij de volgende stappen worden doorlopen: identificatie en motivatie van het probleem, eisen aan de oplossing, ontwerp en ontwikkeling, demonstratie, evaluatie en communicatie. Op basis van kenmerken van 62 bekende fraudescenario’s zijn zes generalisaties opgesteld. Per generalisatie zijn, op basis van de literatuur, de mogelijk toepasbare outlier-detectiemethoden bepaald, waaronder: regressie, boxplot en denity-based clustering. De methoden zijn uitsluitend unsupervised, omdat er onvoldoende bekende fraudegevallen bekend zijn. Voor de verschillende scenario-generalisaties zijn test datasets gegenereerd waarmee de toepasbaarheid van de methodes per generalisatie is geëvalueerd. De methodes zijn vergeleken op basis van de recall, precision en f1-score, die per methode afleidbaar zijn uit de convolutie-matrix. Het onderzoek heeft een concreet keuze-framework opgeleverd, waarmee op basis van een beperkt aantal kenmerken van fraudescenario’s de meest toepasbare methoden kunnen worden afgeleid. Outlier-detectiemethoden hebben vaak meerdere varianten met specifieke voor- en nadelen. De belangrijkste verschillen tussen deze varianten worden in het framework ook toegelicht.