最近、米国では、行動衛生上の困難に直面している人々への支援を充実させる方向に大きくシフトしています。2022年には、メンタルヘルスに関する問題を経験した人のための年中無休のリソースとして、988ホットラインが設立されました。例えば、2023年に発表されたCDCの報告書によると、アメリカでは10代の少女のうつ病と暴力が大幅に増加しています。行動衛生上の問題や診断の驚異的な増加に対応するため、私たちの医療制度は、最新の政策や規制の緩和、テレヘルスのような代替アクセスルートを通じて、ケアへのアクセスを拡大し続けています。残念なことに、悪質な行為者は、複雑な行動医療ニーズの急増に乗じて、より多くの不正行為を働いています。
特に応用行動分析学（ABA）治療は、詐欺師がキックバックや過大請求などで利用しています。行動医療の請求は、複雑な評価、介入、治療を対象とすることが多く、悪質業者が利用できるグレーゾーンを生み出しています。様々なレベルの手技コード、診断との整合性、適用範囲とケアの重複、その他の要因があり、医療保険メンバーがどのように保障されているのか、あるいは請求がどのように適切に請求され、支払われているのかを追跡することは困難です。
この問題は、高額な医療費と、診療内容やコードの変更に対応するのが困難な多面的な問題であるため、医療保険制度は、治療が適切に行われ、請求が迅速かつ正確に処理されるよう、これまで以上に注意を払う必要があります。
このような状況を乗り切る際の最大の課題のひとつは、行動医療を取り巻くコードや政策が変わる速度です。行動医療請求の増加を通じて、コードは同じ年度内であっても何度も更新されており、半年前にはカバーされていたものがカバーされなくなったり、その逆もあり得るということです。この課題はまた、行動医療が詐欺師にとって格好の標的となる理由でもあります。なぜなら、詐欺師は調査員が有効なケースだけでなく詐欺的なケースにも振り回され、各請求を調査できないことを知っているからです。
行動医療における詐取、浪費、悪用の兆候を探す場合、異常値を探すことが極めて重要です。私たちが最近目にするようになったスキームは、3つの一般的なカテゴリーに分類されます：
前述したように、詐欺師は行動医療の適用範囲、方針、コードの変化の速さを利用して、最近更新が行われた領域をターゲットにすることで、進化する適用範囲の隙間をすり抜けるという暴挙に出ています。さらに、多くのABA患者は、提出された請求書やそのサービスが実際に提供されたかどうかを知ることができません。
もう一つの複雑な例は、一定期間にわたって過剰または不適切なABA治療を受けている個人です。医療保険のメンバーまたは受益者は、代替保育としてABA治療を利用している可能性があり、また、プロバイダー、施設、およびメンバー間の金銭的に有益なつながりのためにABA治療を利用している可能性もあり、悪徳業者の複雑な不正の輪を巻き起こす可能性があります。
また、通常、行動衛生問題とは無縁の年齢層での診断や、ある週にそのスタッフで可能なはずの時間を超えて請求しているプロバイダーなどは赤信号です。これらの事例は、SIUの調査作業によって検証されなければなりません。もし、治療に費やされたのがわずか数分であることを示す文書があり、1時間全額が請求されているのであれば、もっと多くのことが起こっている可能性があります。結論を出す前に、必要な文書、請求データ、様々な外部データソースを見つけるのは調査員次第です。しかし、必要な調査詳細を集めることは、言うは易く行うは難しです。
このようなスキームは、時に複雑ではありますが、捜査資源と注意力、そして多くの足を使って発見できることにお気づきでしょう。問題は、十分な足がないことです。医療保険と文書化された内容に明らかな食い違いがある場合でも、潜在的に価値の高いケースは、調査すべきケースが多すぎるという理由だけで簡単に見逃されてしまいます。
従来の医療不正検知戦略には、手動、ルールベースのもの、自動化されたものがあります。これらの方法は、医療保険が不正に対処できるように設計されていますが、不正を検知する方法は異なります。
基本的に、ルールベースの検知には、「if-then（もし～なら）」ルールのシナリオの構築、監視、維持といった、多大な手作業による入力、調査、分析が必要です。データサイエンティストやチームは、会員や受益者が頻繁にサービスを利用しない地域で支払いが行われた場合など、検知のためのルールをプログラミングする作業を行わなければなりません。例えば、ある人がオハイオ州で請求を行いましたが、自宅の住所がマサチューセッツ州であった場合、このソリューションでは調査のためにフラグを立てることになります。同様に、複数の請求が同じ日の同じ時間に同じプロバイダーによって提出された場合、不正請求としてフラグを立てることができます。
一方、高度なAIによる検知は、機械学習を使用してデータを収集し、つながりを形成し、突出したサービスや異常なサービスにフラグを立て、実行可能なインサイトを提供します。これらのソリューションは、手作業による情報収集や検知の多くを効率化するように設計されており、自ら新たな不正パターンを発見することができます。
従来のルールベースの不正検知ソリューションは、このような状況では不利です。ポリシーや規約が変更された場合、各ルールを手作業で更新する必要があるため、医療保険制度はすぐに最新の規制更新に遅れをとってしまいます。これは詐欺師が望んでいることであり、チームにはすべてのポリシー変更を追跡する視野はもっていないため、彼らの計画は気づかれません。
AIを活用した検知方法は、他の分野でも優位に立っています。モデルはデータを収集し、サービス、プロバイダー、およびコンプライアンスに関するインサイトを生成するために訓練することができるため、継続的に「学習」し、新しいシナリオに適応します。静的なルールとは異なり、AIを活用した検知モデルは、刻々と変化する医療詐取、浪費、悪用の状況に合わせて進化することができます。
自動化されたソリューションは、プロバイダーのレビュー、除外リスト、企業／法人データ、さらにはソーシャルメディアデータなどの外部データを取り込み、つながりを見つけて詐取、浪費、悪用の可能性を検証することもできます。例えば、ソーシャル・メディアを通じて他国にいることを伝えた時間帯に、その人が治療を行っていた、あるいは治療を受けていたと主張した場合、調査に多大な好影響を与える可能性があります。
このような場合、自動化されたソリューションの方が優れています。なぜなら、自動化されたソリューションは、ポリシーの変更や進化する不正のペースに対応できるように設計されており、ルールベースの検出手法のパラメータから外れてしまうような活動も見逃すことなくキャッチするからです。
行動医療サービスに対するニーズの高まりは今後も続くでしょうが、だからといって医療保険が未検出の不正行為を増やす必要はありません。高度なAIと機械学習は、不正をより早く検出するだけでなく、平均調査時間を大幅に短縮し、より価値の高いケースを前面に押し出すでしょう。
私たちは、年が明ければ、行動医療市場でこのようなスキームのバリエーションが増えるでしょう。特別ゲストとしてIntegrity AdvantageのAHFIであるCarlyn Hoffmanを招いたウェビナー（英語）で、高度なAIがどのように行動医療スキームの先手を打つのに役立つかをご覧ください。