Partout dans le monde, des cliniciens, hôpitaux et pharmacies soumettent des millions de réclamations de frais médicaux aux régimes d’assurance. Aux États-Unis seulement, les régimes d’assurance publics et privés remboursent près de 3,2 billions $ par année aux fournisseurs de soins de santé. Ils subissent des pressions constantes pour traiter et rembourser les réclamations rapidement, ce qui leur laisse peu de temps pour réaliser des analyses complexes d’un grand nombre de dossiers. Bien que le traitement de la plupart des demandes de remboursement soit assez simple, certaines réclamations ne devraient pas être honorées parce qu’elles sont erronées, gonflées ou frauduleuses.

Des logiciels spécialisés utilisant des algorithmes avancés d’analyse peuvent aider les assureurs de soins de santé à détecter les réclamations irrégulières, à prévenir les remboursements erronés ou même à récupérer les paiements déjà effectués. La variété des demandes de remboursement exige une diversité d’approches analytiques, y compris l’analyse des données aberrantes et la modélisation prédictive. L’apprentissage automatique est une technologie particulièrement prometteuse. Des modèles d’autoapprentissage utilisent des résultats connus pour apprendre à différencier les vrais positifs des faux positifs et ainsi augmenter le niveau d’automatisation du processus de prise de décision. À mesure qu’augmente l’intégration des données massives à l’analyse cognitive, à l’apprentissage automatique et aux capacités de traitement dynamique du nuage, davantage d’assureurs sont en mesure de prédire la fraude avant même qu’elle ne se réalise, tout en maintenant la conformité aux règles visant à garantir un remboursement rapide.

Les algorithmes avancés peuvent d’ores et déjà évaluer les réclamations en fonction d’une logique applicative pour :

  • détecter les comportements et anomalies dissimulés dans l’ensemble des données sur les réclamations (p. ex. combinaisons de procédures et de codes inhabituelles, logiquement impossibles ou contraires aux politiques);
  • découvrir les tendances et observations aberrantes qui pourraient suggérer un besoin d’investigation accrue;
  • repérer des situations irrégulières (p. ex. des patients s’adressant à plusieurs médecins ou des activités particulièrement élevées d’un fournisseur de services au cours d’une même journée);
  • souligner les échanges anormaux entre les fournisseurs et les laboratoires;
  • indiquer quelles réclamations mettre en suspens, rejeter lors du prépaiement ou qui requièrent un audit et un recouvrement
  • fournir de l’information sur des cas présentant un fort potentiel de recouvrement, permettant de doubler l’efficacité des algorithmes traditionnels fondés sur des règles et d’éliminer des faux positifs dans 98 % des cas.

Des sources de données supplémentaires offrent la possibilité d’enrichir les données pour ce genre d’analyses. Ces sources de données comprennent les dossiers médicaux électroniques, lesquels peuvent offrir une vérification indépendante des diagnostics et des procédures lorsqu’automatiquement comparés aux réclamations. Les sources de renseignements comme les registres de décès, les dossiers de résidence et les permis de conduire peuvent également permettre de vérifier l’identité des patients grâce à la comparaison de listes et à l’analyse des liens.

Tant que les réclamations feront l’objet de remboursements d’assurance, il y aura toujours des réclamations erronées, gonflées ou frauduleuses. À titre de partenaire de services en TI et en gestion des processus d’affaires, CGI collabore avec des régimes d’assurance à l’échelle mondiale en leur offrant des services d’experts et une analyse avancée grâce à sa solution ProperPay, qui aide à assurer l’intégrité du processus de réclamation. 

À propos de l’auteur

Picture of Rob Rolf

Rob Rolf

Vice-président, Solution ProperPay de CGI

Rob est responsable de la stratégie mondiale de CGI en matière de programmes de vérification du recouvrement, de services d’analyse de données, de détection de la fraude, des pertes et de l’abus, de coordination des avantages et de services-conseils en management. Ses 21 années d’expérience ...

Ajouter un commentaire

Comment editor

  • No HTML tags allowed.
  • Lines and paragraphs break automatically.
Règle de modération du blog et conditions d'utilisation