Onderzoekers hebben een systeem ontwikkeld genaamd 'Pattern Intelligence', dat gebruikmaakt van kunstmatige intelligentie om terugkerende patronen van onterechte claimafwijzingen en onderbetalingen door zorgverzekeraars te identificeren. De methode combineert ongesuperviseerde clustering met grote taalmodellen (LLM's) om complexe financiële lekken in de zorgadministratie inzichtelijk te maken.
Zorgverleners kampen wereldwijd met aanzienlijke inkomstenverliezen doordat zorgverzekeraars claims systematisch onderbetalen of afwijzen. Hoewel deze fouten vaak een herhaalbaar en corrigeerbaar patroon volgen, gebeurt de detectie hiervan momenteel grotendeels handmatig. Volgens een recent onderzoek gepubliceerd op arxiv.org schaalt dit handmatige proces niet mee met de enorme volumes aan claims die ziekenhuizen dagelijks verwerken.
Technologische aanpak: Clustering en LLM's
Het gepresenteerde systeem, Pattern Intelligence, wijkt af van traditionele methoden door claims te clusteren op basis van hun 'afwikkelingsgedrag' in plaats van hun identiteit. Elke claim wordt omgezet in een vector van 130 dimensies. Hierbij wordt gekeken naar factoren zoals de ratio tussen de verwachte en werkelijke betaling per regel, specifieke Claim Adjustment Reason (CARC) codes, betalingssignalen en de samenstelling van de geleverde diensten.
Een cruciaal aspect van het ontwerp is dat de identiteit van de betaler en het specifieke contract bewust zijn uitgesloten van de initiële afstandsberekening. De auteurs, Harshil Lodhiya en een collega, leggen in de uit dat deze gegevens anders de geometrie van de data zouden domineren, waardoor clusters simpelweg per verzekeraar zouden ontstaan in plaats van op basis van het foutpatroon. Deze informatie wordt pas achteraf toegevoegd om de resultaten actiegericht en coherent te maken.
Voor het clusteren wordt gebruikgemaakt van het HDBSCAN-algoritme. Om de resultaten begrijpelijk te maken voor menselijke analisten, wordt een groot taalmodel (LLM) ingezet. Dit model vertaalt de technische kern van een cluster naar een beschrijving van de dominante procedures, de redenen voor aanpassing en de specifieke foutmodus.
Bevindingen en impact
Het systeem is getest binnen een implementatie bij zes verschillende partijen, waarbij specifiek resultaten werden geanalyseerd van twee productie-omgevingen met respectievelijk ongeveer 10.000 en 157.000 claims. De validiteit van de methode werd getoetst via cluster-coherentieanalyse en een metriek voor 'herstelbare kansen' in dollars.
Een opvallende empirische bevinding is dat een aanzienlijk deel van de claims met hoge bedragen niet in clusters valt. Afhankelijk van de segmentatie blijkt ongeveer een derde tot de helft van de kostbare afwijzingen deel uit te maken van een zogenaamde 'irreducibele long tail'. De onderzoekers stellen in het dat dit een eigenschap is van het domein zelf en niet het gevolg van een tekortkoming in het model.
Academische erkenning
De bijdrage van het project ligt niet zozeer in een nieuw algoritme, maar in de specifieke formulering van het probleem en de inzichten over datarepresentatie in de zorgsector. Het werk is geaccepteerd voor de , binnen het traject voor Artificial Intelligence, Data Science, and Intelligent Systems.
Hoewel de naam 'Pattern Intelligence' overeenkomt met diensten die worden aangeboden door commerciële entiteiten zoals pattern.com, die zich richten op e-commerce en marktplaatsoptimalisatie, betreft dit specifieke onderzoek een toepassing binnen het Revenue Cycle Management van de gezondheidszorg. De focus ligt hierbij op het minimaliseren van financieel verlies door administratieve fouten in de zorgketen.