Datamining volgens Diana Horsmeier (Menzis): Fraudebestrijding in het declaratieproces

 

Nederland staat bekend om het zorgstelsel. Maar de kosten per hoofd van de bevolking blijven stijgen, onder meer door steeds betere en duurdere zorg. Onjuiste declaraties door zorgverleners beïnvloeden ook de betaalbaarheid van de zorg. Door middel van datamining wil Menzis daar verandering in brengen. De zorgverzekeraar wil meer inzicht en meer preventief controleren. 

 

Jaarlijks heeft zorgverzekeraar Menzis te maken met een stroom van 5,5 miljard euro aan declaraties van ruim twee miljoen verzekerden. Daarmee behoort de verzekeraar tot de top 4 in Nederland. Enkele jaren geleden is de organisatie gestart met het inrichten van een dataminingprogramma om de beheersing van de zorgkosten te versterken. 

 

Diana Horsmeier, van huis uit actuaris en bij Menzis werkzaam als business programmamanager Big Data en portfoliomanager BI, stond aan de wieg van de uitrol van dit programma. ‘We wilden het zorgkostenbeheersingsproces versterken met de inzet van datamining. Daartoe waren we op zoek naar een dataminingmodel waarmee je het hele declaratiebehandelproces objectiveert en het patroonoverzicht centraliseert. De technieken zijn er. Als verzekeraar zijn we maatschappelijk verplicht om die effectief in te zetten. Ook de toezichthouder verwacht dat van ons. Maar meer nog: we wilden zelf graag de controleketen versterken met datamining.’

 

Die keten begint bij het ontvangen van een declaratie, waarbij de verzekeraar de primaire formele controles uitvoert. Daarna volgt uitbetaling. ‘Pas na uitbetaling voer je de materiële fraude- en doelmatigheidsdetectie en triagemanagement uit. Met de toepassing van datamining willen we ook de beheersing van de zorgkosten meer proactief insteken. Oftewel, de controle op de uitbetaling wordt vaker naar voren gehaald.’ Een verschuiving van reactief naar proactief.

 

 

Dat zorgdeclaraties een heikel punt vormen in de sector, blijkt wel uit de aandacht die de Nederlandse Zorgautoriteit (NZa) eraan besteedt. Eind vorig jaar publiceerde de waakhond een rapport op basis van onderzoek naar opvallende declaraties die afwijken van het gemiddelde. 

 

Onregelmatigheden hoeven overigens niet per se op fraude te duiden. Een hoog aantal declaraties van een bepaald type behandeling kan komen doordat de betreffende zorgverlener in die behandeling is gespecialiseerd. Het kan ook op ondoelmatigheid duiden. Heeft de zorgverlener wel het meest effectieve behandelpad gekozen? En dan is er natuurlijk nog onrechtmatigheid, oftewel het al dan niet met opzet upcoden van behandelpaden om zo een hoger bedrag te kunnen declareren.

 

 

Voor de invoering van het nieuwe dataminingmodel is drie jaar uitgetrokken; in 2017 moet het voor alle ‘zorgsoorten’ zoals fysiotherapie en medisch specialistische zorg worden toegepast. ‘Het is natuurlijk niet zo dat je het dataminingframework neerzet en dat alles met één klap op de knop up and running is. Met welk platform ga je überhaupt werken? Hoe ga je de centralisatie en standaardisatie van het proces rond datamining aanpakken? Hoe kom je tot de borging van het beleid en de wijze van uitvoering van de analyse van big data? Wat komt daar allemaal bij kijken? En welke training verzorgen we voor onze mensen? Dat zijn allemaal vragen die dan spelen.’  

 

 

Allereerst heeft Menzis gewerkt met een pilot met FICO. ‘Dat werkte prima, maar we wilden liever niet met een out-house platform werken. Op basis van analistenrapporten en een vendor screening zijn we uiteindelijk met SAS gaan werken. Doordat het platform over meerdere modules beschikt, kun je op verschillende manieren met de data aan de slag, krijg je meer inzicht en uiteindelijk betere patronen. 

 

‘Dat is hier wel erg prettig aan’, zegt de actuaris in Horsmeier. Op korte termijn krijgt de organisatie nieuwe tooling van SAS en worden de eerste analysemodellen gebruikt. ‘Met de nieuwe tooling worden de uitkomsten heel overzichtelijk op het scherm getoond. Dat maakt het voor ons makkelijker om de resultaten te communiceren.’

 

 

Horsmeier benadrukt dat niet alleen de keuze van het platform van belang is, maar ook de teamsamenstelling en het creëren van draagvlak. ‘Samen met het platform vormen de mensen immers de succesfactor. Het is dus essentieel dat zij de veranderingen dragen. Geduld is key; het is immers niet iets wat er morgen staat. Het is een nieuwe tak van sport die de nodige aandacht vraagt, ook aan de menskant. Uiteindelijk is het iets wat verschillende lagen in de organisatie zal raken en wat steeds meer de business gaat raken. Dan mag je er ook de nodige tijd en energie in steken.’ 

 

Horsmeier onderscheidt grofweg twee type groepen in het team dat verantwoordelijk is voor datamining: de IT-analyse- en de businesskant. Voor de IT-analyses zijn onder meer architecten, analisten en het BI Competence Center verantwoordelijk. ‘Het belang van datamining neemt hand over hand toe en krijgt steeds meer een centrale rol. Voor de opslag, techniek en randvoorwaarden is het van groot belang dat je daarvoor een passende architectuur neerzet. Daar zijn logischerwijs onze architecten verantwoordelijk voor. Dat moet zodanig gebeuren dat het platform goede dimensies heeft en later ook elders in de organisatie gebruikt kan worden.’ 

 

De IT-analisten fungeren als schakel tussen IT en de business. Ze zijn bijvoorbeeld verantwoordelijk voor de koppeling en kwaliteitsbewaking van de data. Maar zorgen ook voor een vertaalslag naar de business. ‘Voor het maken van goede financiële analyses in het nieuwe model hebben we nieuwe algoritmes nodig. Je wilt de verwachte kosten van zorgverleners in kaart brengen. Dat doen we op basis van geautomatiseerde regels en voorspellende modellen. Maar dat gaan we meer en meer ook exploratief doen; op zoek naar unknown unknowns. Daarvoor werken we onder meer in partnership met externen voor het opstellen van de benodigde algoritmes. De uitkomsten van het SAS-model op basis van de algoritmes worden geanalyseerd door de financiële business- analisten van de afdeling materiële controle. Hierin wordt samengewerkt met de afdeling Zorginkoop. De IT-analisten en architecten zien erop toe dat de opgestelde algoritmes op juiste wijze in de IT ingevoerd worden.’

 

 

Qua tijdsplanning voor de invoering van het SAS Fraud Framework staat de organisatie thans aan de start. Wanneer Horsmeier durft te spreken van een succesvolle business-case? ‘De gedroomde uitkomst is natuurlijk dat onze data en financiële stromen op een geborgen, geautomatiseerde en integere wijze door het bedrijf gaan. Dat er een goede koppeling is met de financiële structuur zodat we gezamenlijk met de zorgverlener altijd tot een goede uitkomst kunnen komen.’ 

 

De rol van de unknown unknowns gaat daarin een steeds grotere rol spelen. ‘We gaan steeds meer verschillende modellen aan elkaar koppelen en meerdere databronnen toevoegen om zo onze data te verrijken. Door bijvoorbeeld informatie uit ongestructureerde data in onder andere behandelnotities en websites te halen. Door regels te automatiseren. Door abnormale patronen in de data te identificeren. En door gebeurtenissen uit het verleden te vertalen naar de toekomst. Uiteindelijk willen we immers onze forecasting versterken en de foutmarge, de delta, verkleinen in onze zorgkostenbeheersing en de doelmatigheid van de zorgkosten vergroten.’ 

 

Maar dat is een langdurig traject, erkent ook Horsmeier. ‘Het zijn iteratieve processen. De exploraties brengen bepaalde afwijkingen aan het licht, die ons in staat stellen rules te definiëren. Op basis daarvan kunnen we declaraties in toenemende mate vooraf goed- dan wel afkeuren. Met de patronen op basis van de algoritmen in het SAS Fraud Framework kunnen we ook – gezamenlijk met de zorgverleners – de doelmatigheid van de zorgkosten vergroten. Maar dat gaat in kleine stappen. Wil je tot verandering komen, is een lange adem nodig.

 

 

Zie ook: In 5 stappen naar SMART Big Data Analytics

 

 

 

 

Bekijk hier het volledige magazine