“Dokter, hapus ini dari tagihan”: bagaimana kami mencari layanan ilegal di VHI



Di banyak rumah sakit yang beroperasi di bawah VHI dan hanya menyediakan layanan berbayar langsung kepada penduduk, ada semacam "rencana penjualan" untuk setiap praktisi. Implementasi dari rencana ini seringkali dicapai dengan cara yang tidak jujur ​​dengan mengorbankan tertanggung melalui VHI. Sebagai contoh:

  1. Layanan komprehensif dibagi menjadi manipulasi medis komponen sehingga pemeriksaan lebih besar.
  2. Prosedur dan penelitian yang berlebihan ditentukan dalam pengobatan diagnosa - terutama jika rumah sakit baru-baru ini membeli peralatan baru.

Pelecehan semacam itu merupakan kerugian besar bagi perusahaan asuransi di sektor asuransi kesehatan sukarela (VHI), yang sudah berada dalam persaingan ketat dan dipaksa untuk memperluas program asuransi mereka untuk menarik pelanggan. Karena itu, di pihak mereka, ada dokter ahli yang terlibat dalam verifikasi tagihan secara teratur. Dan dalam kasus pelanggaran - pelaksanaan apa yang disebut "pencegahan" di lembaga medis.

Semua ini adalah pekerjaan yang panjang dan rutin, membutuhkan ahli untuk menjadi sangat terkonsentrasi. Memang, validitas layanan dipengaruhi oleh sejumlah faktor yang terkait dengan riwayat perawatan pasien dan program asuransinya, dan fitur daftar harga di rumah sakit. Secara alami, di mana pun Anda melihat kata "rutin" Anda dapat menerapkan otomatisasi. Yang kami lakukan. Bukan tanpa kesulitan.

Apa itu layanan ilegal


Baru-baru ini, saya sekali lagi datang ke klinik di sebelah kantor untuk mendapatkan layanan untuk kebijakan VHI. Tahi lalat yang meradang hampir selalu tidak menakutkan, tetapi mengamati dokter kulit tidak akan menyakitkan (jika tidak, Anda tidak akan pernah tahu).

Semuanya ternyata beres, tetapi dokter menolak untuk melakukan pemeriksaan rutin tanda lahir yang tersisa, yang merupakan sumber permanen hipokondria saya. Merujuk pada kenyataan bahwa layanan seperti itu tidak termasuk dalam polis dan pada saat ahli memeriksa perusahaan asuransi, dia akan didenda. Dokter benar: kasus asuransi di bawah program VHI biasanya merupakan penyakit akut atau memperburuk penyakit kronis. Semua kasus ini tidak termasuk inspeksi untuk pencegahan, tidak peduli berapa banyak yang saya inginkan.

Tetapi jauh dari selalu, para dokter dari institusi medis (atau rumah sakit yang disingkat) sangat menyadari aturan untuk penyediaan layanan VHI dan bahkan secara kurang sadar mengamati mereka. Akibatnya, seorang dokter ahli memeriksa rekening setelah perawatan tertanggung dapat melihat, misalnya, sesuatu seperti ini:

Akun HCI



Nama layanan



Biaya



Sabar



Tanggal



Pijat tulang belakang leher



700 gosok



Ivanov I.I.



01/01/2019



Pijat tulang belakang dada



700 gosok



Ivanov I.I.



01/01/2019


Pada saat yang sama, dalam daftar harga rumah sakit ada layanan komprehensif yang mencakup kedua jenis pijat dan lebih murah daripada jumlah layanan individu:

Daftar harga fasilitas kesehatan



Nama layanan



Biaya



Pijat tulang belakang leher



700 gosok



Pijat tulang belakang dada



700 gosok



Pijat tulang belakang leher rahim



1.000 gosok.


Dengan demikian, dari masing-masing (!) Pasien yang telah diberikan kombinasi layanan yang sama, bukan kompleks, perusahaan asuransi menderita kerugian. Tentu saja, jika dokter ahli tidak memperhatikan hal ini tepat waktu dan tidak mengeluarkan layanan pengganti di akun.

Ngomong-ngomong, pastikan untuk memeriksa apa yang terjadi di akun Anda jika Anda sendiri menggunakan obat berbayar. Mungkin kompleks direkrut dengan cara yang kurang lebih sama.

Contoh serupa lainnya dalam kedokteran gigi.
Jika Anda tiba-tiba ingin melakukan kebersihan mulut lengkap, maka ini dapat dituliskan dalam cek seperti ini:

Akun HCI



Nama layanan



Biaya



Sabar



Tanggal



Penghapusan Gigi Keras Ultrasonografi



3 000 gosok.



Ivanov I.I.



01/01/2019



Menghapus endapan gigi lunak dengan aliran udara



2.000 gosok.



Ivanov I.I.



01/01/2019



Pemolesan gigi dengan pasta fluoride



500 gosok



Ivanov I.I.



01/01/2019



Hampir selalu ada layanan "Kebersihan mulut terpadu" di fasilitas kesehatan, yang sudah mencakup semua manipulasi dengan gigi Anda pada peta teknis. Menurut aturan, itu harus ditunjukkan dalam faktur. Tetapi jika kompleks ternyata lebih murah daripada daftar lengkap, maka di lembaga medis mereka kemungkinan besar akan melakukan yang sebaliknya dengan harapan bahwa perusahaan asuransi tidak akan melihat apa pun.


Dan ini masih kasus sederhana. Kami mengerti lebih jauh.

Misalkan Anda memiliki bayi dan Anda membawanya ke dokter dengan dugaan konjungtivitis virus. Seperti halnya pengobatan penyakit lain, dokter harus dipandu oleh praktik klinis dan dokumentasi pengaturan. Misalnya, Standar perawatan adalah sesuatu seperti tabel dengan daftar layanan wajib untuk diagnosis dan pengobatan penyakit tertentu. Spoiler untuk perawatan anak Anda dapat dibaca langsung di situs web Departemen Kesehatan .

Namun, di samping serangkaian layanan pembayaran yang biasa, asuransi dapat mencakup ini:

Akun HCI



Nama layanan



Biaya



Sabar



Tanggal



Pneumotonometri mata



500 gosok



Ivanov I.I.



01/01/2019


Ketika mempelajari Standar ini, orang dapat memahami bahwa tidak ada pneumonometri (seperti salah satu metode untuk menentukan tekanan intraokular) yang dilakukan dalam kasus ini - apalagi, itu dikontraindikasikan jika terjadi penyakit virus pada mata. Teman ahli kami hanya menjelaskan layanan ilegal seperti itu: "Jika klinik telah membayar untuk unit baru, maka entah bagaimana ia harus merebut kembali biayanya."

Di mana kita mulai


Kami menetapkan tujuan otomatisasi tahap pemeriksaan tagihan dari lembaga medis untuk dokter ahli di satu perusahaan asuransi (kami tidak diizinkan untuk mengungkapkan semua nama, kata sandi, dan penampilan ke NDA). Rencananya adalah sebagai berikut: dengan bantuan model pembelajaran mesin, temukan dan "sorot" dalam daftar layanan akun yang mirip dengan yang ilegal yang diidentifikasi sebelumnya.

Untuk mengajarkan mobil membedakan antara layanan "buruk" dan layanan "baik", kami membutuhkan data tentang bagaimana tertanggung dirawat dan layanan apa yang dihapus atau diganti oleh ahli dalam akun setelah diperiksa. Setelah membuka akun nyata, kami tiba-tiba dihadapkan pada kenyataan bahwa hampir tidak mungkin mendapatkan statistik yang jelas tentang penyediaan layanan dari masing-masing jenis. Ternyata VMI tidak memiliki standar khusus untuk penamaan layanan medis, tidak seperti MHI, di mana kode untuk Nomenklatur kerja dan layanan dalam perawatan kesehatan akan benar-benar sesuai dengan semua layanan.

Misalnya, salah satu metode kebersihan profesional di VHI dapat ditulis sebagai berikut:

  • Pembersihan bikarbonat.
  • Penghapusan plak oleh aliran udara.
  • Prosedur sandblasting.

Layanan ini secara inheren juga tidak berbeda:

  • RG paru-paru.
  • Dada R-graphy.
  • Radiografi diagnostik OGK.

Situasi ini diperburuk oleh kenyataan bahwa tagihan sering diisi secara manual, dan ini hanya meningkatkan variabilitas layanan penulisan karena kesalahan ketik, tanda yang tidak perlu dan singkatan. Berikut adalah beberapa contoh teka-teki tersebut:

MMO 1 f / c

perawatan mekanis dan obat satu saluran akar.

Topi peledak

penetes intravena.

Akibatnya, hampir tidak mungkin untuk memahami bagaimana mereka menyediakan layanan yang sama, pada dasarnya, di berbagai wilayah atau bahkan di rumah sakit yang berbeda di kota Anda tanpa klasifikasi nama (dan penggunaan teknologi analitik teks).

Kami mempersenjatai diri dengan SAS Visual Text Analytics dan, sebagai permulaan, melakukan analisis teks tematik menggunakan pembelajaran mesin dan teknologi NLP. Ini membantu untuk secara otomatis mengidentifikasi apa yang disebut "topik" dalam berbagai layanan yang besar dan beragam - kelompok kecil teks yang dianggap sama oleh sistem berdasarkan kombinasi kata kunci. Kami meninjau semua hasil bersama-sama dengan para ahli dan menguraikan struktur classifier masa depan, menggabungkan "topik" yang dihasilkan di kelas besar sesuai dengan logika medis (misalnya, dalam "Diagnostik", "janji dokter", dll). Untuk mengkorelasikan nama-nama layanan dari set pelatihan dengan kelas yang dihasilkan, untuk masing-masing kami menulis aturan dalam alat kami.

Kami mengulangi urutan langkah-langkah ini untuk setiap kelas berikutnya sampai kami mencapai tingkat detail untuk layanan tertentu. Jadi, misalnya, terlihat seperti aturan yang disederhanakan untuk metode kebersihan profesional dari contoh di atas:

(OR,
"**",

"**", "**",

(ORDDIST_1, "a", "f"),
(DIST_2, "air*", "*flow"),
(DIST_2, (OR, "*", "*", "*"), "**"),

(DIST_3, "*", "*", "*"),
(DIST_2, (OR, "*", "*"), "**")
)

Mengapa semua ini perlu? Dan mengapa kita pergi dengan cara yang begitu sulit, alih-alih memasukkan semuanya ke dalam jaringan saraf?

Secara alami, kami tidak memiliki sampel berlabel untuk pelatihan. Tetapi kekhasan area subjek itu sendiri adalah hambatan yang bahkan lebih besar: karena kurangnya persyaratan ketat untuk komposisi layanan di VHI, pengecualian dan kasus perbatasan yang rumit sering muncul, yang ditafsirkan oleh para ahli medis dari asuransi yang berbeda dengan cara mereka sendiri. Semua seluk-beluk aturan ini memungkinkan kita untuk menggambarkan dengan lebih akurat.

Misalnya, di sini kata kuncinya sama, tetapi tergantung pada urutannya, esensi dari layanan berubah seluruhnya:

Pemulihan mahkota gigi

itu menyiratkan tambalan gigi.

Mahkota restorasi gigi

dan ini adalah manipulasi ortopedi yang mahal (yang, omong-omong, jarang ditemukan di bawah program VHI).

Bagaimana kami melatih model


Dalam pembelajaran mesin, aturan "Anda adalah apa yang Anda makan" berfungsi dengan sempurna. Jika Anda "memasukkan" data berkualitas rendah ke dalam model, hasilnya akan sama. Pada proyek kami, kami menaruh perhatian besar pada tahap persiapan data. Hal ini terutama berlaku di bidang VHI: perusahaan asuransi menerima informasi tentang perawatan pasien dari berbagai rumah sakit, yang masing-masing memiliki basis sendiri. Dengan demikian, kesalahan dapat menyelinap ketika mengisi akun di sisi lembaga medis, dan ketika memuatnya ke dalam database perusahaan asuransi. Akibatnya, ketika memeriksa data, kami menemukan satu setengah layanan di akun, dan harga negatif, dan perubahan mendadak dalam jenis kelamin pasien.

Setelah memikirkan pendekatan untuk memperbaiki kesalahan, kami mulai mengumpulkan indikator untuk pemodelan. Kami tertarik pada berbagai informasi yang menggambarkan konteks layanan: parameter layanan itu sendiri, esensinya, sejarah interaksi dengan fasilitas kesehatan, sejarah perawatan tertanggung dan banyak lagi. Secara total, kami menghitung lebih dari 20 ribu indikator. Kami menggunakannya untuk melatih model, yang secara otomatis mengungkapkan karakteristik pola layanan "buruk".

Kemudian mereka menerapkan model tersebut ke akun baru dan memberikan skor dari 0 ke 1 berlawanan dengan setiap layanan medis. Ini menunjukkan seberapa mirip layanan ini dengan ilegal yang sebelumnya diidentifikasi: semakin dekat skor ke 1, semakin besar kesamaan. Sebenarnya, di balik angka ini adalah kompleks dan tidak selalu jelas untuk proses pengambilan keputusan seseorang (seperti yang paling sering terjadi dalam pembelajaran mesin). Jika Anda mencoba menafsirkan logika mesin, maka dalam bentuk yang disederhanakan terlihat seperti ini:

  • Layanan milik kelas "Kebersihan mulut komprehensif" (+ 0,01 poin) .
  • Layanan sebelumnya milik kelas "Penghapusan plak gigi" (+ 0,25 poin) .
  • Biaya layanan saat ini adalah lebih dari 3.000 rubel (+ 0,1 poin) .
  • Layanan ini disediakan di cabang Krasnodar (+ 0,05 poin) .
  • ...

Jika, sebagai hasilnya, skor ternyata berada di atas nilai ambang tertentu, maka ini merupakan sinyal bagi ahli bahwa layanan pasien ini memerlukan kontrol khusus selama verifikasi. Mulai saat ini, penyelidikan terperinci atas insiden dimulai, pada akhirnya dokter ahli memberikan putusan akhir - "eksekusi" atau "kasihanilah". Bukan pasien, tentu saja, tetapi layanan dalam jangka panjang.

Ringkasan Proyek


Metodologi untuk menstandarkan nama dengan bantuan teknologi analisis teks SAS membantu menyatukan satu pengklasifikasi layanan (yang merupakan masalah besar sebelum otomatisasi), dan definisi layanan yang mirip dengan yang ilegal yang sebelumnya diidentifikasi diimplementasikan menggunakan model pembelajaran mesin. Menurut hasil pengujian internal sistem, kami yakin bahwa kami dapat mengidentifikasi jenis kesalahan yang paling umum dalam akun, yaitu: dimasukkannya layanan tambahan, penyimpangan dari program asuransi atau rejimen pengobatan standar.

Tetapi semua ini hanyalah langkah pertama menuju otomatisasi di VHI. Jika Anda masih memiliki pertanyaan atau Anda benar-benar ingin tahu apa lagi yang bisa kami lakukan, cari kami di sini .

Source: https://habr.com/ru/post/id477758/


All Articles