Phát hiện gian lận trong chăm sóc sức khỏe thông qua các công nghệ mới nổi

Gian lận đã trở thành một mối đe dọa lớn đối với các hệ thống chăm sóc sức khỏe (CSSK) trên toàn cầu. Trong khi các tổ chức an sinh xã hội (ASXH) không ngừng hướng tới việc tối ưu hóa các quy trình với sự trợ giúp của những phân tích tiên tiến và trí tuệ nhân tạo (AI) để phát hiện và giám sát gian lận hiệu quả hơn, thì việc áp dụng các công nghệ mới nổi lại tiếp tục đặt ra những thách thức.

Trên thế giới, ngân sách công đang chịu áp lực lớn. Chi phí CSSK tăng nhanh một phần do tiến bộ công nghệ và dân số già, đòi hỏi các quốc gia phải sử dụng hợp lý các nguồn CSSK khan hiếm để tiếp cận những người cần họ nhất. Lĩnh vực CSSK là một phần cốt lõi của ASXH và chiếm tỷ trọng lớn trong GDP. Do liên quan đến số tiền lớn với nhiều giao dịch cá nhân, nên lĩnh vực CSSK trở thành mục tiêu hấp dẫn cho những kẻ lừa đảo.

Lĩnh vực CSSK trở thành mục tiêu hấp dẫn cho những kẻ lừa đảo (ảnh minh họa)

Đại dịch Covid-19 ảnh hưởng lớn đến việc cung cấp dịch vụ CSSK. Những thay đổi nhanh chóng đối với các quy tắc thông thường liên quan đến mã thanh toán, KCB từ xa và đơn thuốc đã giúp các hệ thống CSSK thích ứng thành công đối với các quy trình CSSK. Tuy nhiên, những thích ứng nhanh chóng này đã tạo ra những lỗ hổng tiềm ẩn cho việc gian lận và lãng phí. Số tiền bị gian lận không được dùng cho phòng bệnh, hỗ trợ đổi mới hoặc đầu tư vào các chương trình đảm bảo tiếp cận bình đẳng tới các dịch vụ y tế (DVYT) có chất lượng. Trung bình, thiệt hại do gian lận và sai sót chiếm hơn 6% chi phí y tế.

CSSK và BHYT cũng ngày càng trở nên dễ bị lừa đảo, mà bản chất là ẩn và khó đánh giá. Số lượng gian lận trong CSSK được xác định tăng lên mỗi năm. Do đó, mô hình quản lý chi tiêu CSSK đang chuyển từ quản lý theo dõi sang phòng ngừa. Sự thay đổi này được hỗ trợ bởi áp dụng các công nghệ mới nổi. Các công nghệ phát hiện và ngăn chặn gian lận đã đạt được những bước tiến vượt bậc, giảm thời gian phát hiện và cung cấp khả năng tạo phân tích nhanh hơn, tiên tiến hơn và chính xác hơn. Các nỗ lực đã được thực hiện để tự động hóa việc phát hiện gian lận thông qua các phương pháp tính toán liên quan đến khai thác dữ liệu về các yêu cầu thanh toán BHYT và các phương pháp tiếp cận công nghệ mới cho phép xác minh tốt hơn các yêu cầu CSSK.

Để phát triển các chiến lược phù hợp giúp quản lý tốt các hệ thống y tế cần có sự hiểu biết tốt về các hình thức gian lận trong CSSK. Điều quan trọng là phải chuẩn hóa các định nghĩa để cải thiện thông tin và trao đổi dữ liệu, cho phép đo điểm chuẩn quốc tế và thiết kế các hành động đích. Gian lận và lạm dụng CSSK liên quan đến tất cả các lĩnh vực của ngành CSSK, bao gồm các nhà sản xuất thuốc và trang thiết bị y tế, BV, nhà thuốc, bác sĩ, nhà cung cấp, nhà phân phối, phòng thí nghiệm, bệnh nhân và người thanh toán. Nhóm bị ảnh hưởng đáng kể nhất có thể là những người trả tiền, cả công và tư nhân. Gian lận trong CSSK xảy ra dưới các hình thức khác nhau, bao gồm hối lộ, yêu cầu thanh toán sai và vi phạm quy tắc.

Ứng dụng công nghệ để ngăn ngừa và phát hiện gian lận trong CSSK

Các phương pháp phát hiện gian lận trong CSSK truyền thống không đạt được hiệu quả mong muốn. Sau khi cung cấp DVYT cho bệnh nhân, bên cung cấp DVYT gửi yêu cầu thanh toán, bên thanh toán sẽ giám định và hoàn trả. Tuy nhiên, quá trình này loại bỏ một bên liên quan quan trọng- đó là bệnh nhân, mà các DVYT thực sự được cung cấp cho họ. Ngoài ra, các nỗ lực để phát hiện gian lận trong CSSK liên quan đến công tác giám định, thường khó khăn do xảy ra sau khi các khoản thanh toán cho các yêu cầu sai đã được thực hiện. Có thể mất nhiều năm để thu thập bằng chứng để truy tố và thu hồi số tiền. Vì vậy, cách hiệu quả hơn để ngăn chặn gian lận là xác định nó trước khi các yêu cầu được thanh toán.

Các quốc gia tăng cường ngăn ngừa và phát hiện gian lận trong CSSK

Các công nghệ phát hiện và ngăn chặn gian lận đã đạt được những bước tiến vượt bậc thông qua đổi mới theo hướng dữ liệu, bao gồm: Tính toán, khai thác dữ liệu, phân tích, học máy (machine learning) và các dạng trí tuệ nhân tạo (AI) khác; phát triển các cơ chế khác nhau như nhận dạng sinh trắc học, máy quét vân tay, máy quét mống mắt hoặc nhận dạng khuôn mặt, để tăng cường quy trình nhận dạng như một biện pháp bảo mật; mô hình dự đoán có thể sử dụng khai thác dữ liệu, phân tích dự đoán và phân tích định lượng để phát hiện các kiểu hành vi và gian lận của nhà cung cấp; các kỹ thuật nhận dạng mẫu dựa trên AI có thể thích ứng, học hỏi và tự động hóa quy trình để xác định lỗi mã hóa và thanh toán, dẫn đến tiết kiệm thời gian, tiền bạc và nguồn lực; chuỗi khối (blockchain) để không thể xóa hoặc thay đổi dữ liệu đối với các hành vi gian lận nhất và cho phép theo dõi tài sản chi tiết.

Mặc dù tập dữ liệu (datasets) trong lĩnh vực CSSK có thể rất lớn, từ các y lệnh xét nghiệm chẩn đoán, khám bác sĩ, điều trị nội trú tại BV, các sản phẩm y tế và kê đơn thuốc…, nhưng chúng thường được cấu trúc tốt. Việc áp dụng các thuật toán machine learning vào những dữ liệu đó có thể tạo ra các phân tích nâng cao và chính xác hơn, cung cấp quyền truy cập vào thông tin quan trọng trong thời gian thực.

Một loạt các kỹ thuật mới giúp phân loại, phân cụm, ra quyết định hoặc nhận dạng (khuôn mặt). Việc áp dụng hệ thống CNTT tiên tiến và dữ liệu lớn (big data) cho phép thực hiện hiệu quả các biện pháp ngăn chặn và (hoặc) phát hiện các bất thường có thể xảy ra; đồng thời tăng cường trao đổi giữa các tổ chức làm cho các CSDL chung ngày càng hiệu quả hơn.

Phát hiện vi phạm quy tắc và các điểm bất thường

Phát hiện và ngăn chặn các khoản thanh toán không phù hợp có thể xảy ra bằng cách gắn cờ chúng để xem xét. Liên tục khai thác dữ liệu để xác định các hình thức gian lận mới và phát triển các “quy tắc” mới. Phân tích dữ liệu đã được áp dụng để phát hiện các vi phạm quy tắc và các điểm bất thường. Có thể dễ dàng xác định được một hành vi vi phạm quy tắc, chẳng hạn như các khoản thanh toán vượt quá số tiền tối đa. Tuy nhiên, nó không phải là bằng chứng gian lận. Những mẫu này có thể do lỗi quản trị gây ra, chẳng hạn như một số hoạt động có thể bị ánh xạ đến nhầm bệnh nhân. Sự bất thường đặc trưng cho các nhà cung cấp, bệnh nhân, công ty bảo hiểm hoặc các mô hình điều trị khác hẳn với các mô hình dự kiến thông thường. Cũng như để phát hiện vi phạm, cần phân tích sâu hơn, nhằm xác định các vấn đề thực tế khi phát hiện các bất thường.

Hy Lạp áp dụng AI để phát hiện gian lận trong CSSK (ảnh minh họa)

Tại Hy Lạp, khi áp dụng AI để phát hiện gian lận trong dữ liệu kê đơn, phương pháp được chọn đảm bảo một mặt chọn mẫu ngẫu nhiên, mặt khác ứng dụng lý thuyết toán học về xác suất để đánh giá kết quả chọn mẫu. Khi những gian lận bị đưa ra tòa án, tổ chức quốc gia về cung cấp DVYT (EOPYY) đã không chấp nhận trước tòa dựa trên lập luận “một thuật toán không thể cung cấp kết quả tin cậy cũng như thay thế việc kiểm soát trực tiếp các hóa đơn”. Tòa án đã phán quyết “các phương pháp khoa học được sử dụng trong cuộc kiểm toán đã cung cấp đủ đảm bảo cho tính khách quan, hợp lệ, chính xác và độ tin cậy của kết luận được đưa ra”.

Mặc dù AI có thể thay đổi cuộc chơi khi phát hiện gian lận trong CSSK, mục đích của hệ thống AI nên để bổ sung cho các quy trình phát hiện gian lận do các giám định viên thực hiện, thay vì thay thế chúng. Việc sử dụng AI cũng đặt ra nhiều câu hỏi về quyền riêng tư, đạo đức và an ninh mạng.

Đầu tư vào CNTT

Việc sử dụng các công nghệ mới, chẳng hạn như AI, dự kiến sẽ dần dần tăng lên cùng với dữ liệu CSSK ngày càng tăng nhanh. Một khía cạnh chính của việc phát hiện gian lận là đầu tư vào CNTT giúp tăng hiệu suất và hiệu quả quản lý gian lận. Điều này bao gồm đầu tư vào các hệ thống và nguồn nhân lực chuyên phát hiện gian lận và các hành vi gian lận, vốn đang phát triển nhanh chóng trong môi trường kỹ thuật số.

Cơ quan quản lý ASXH về y tế của Indonesia (BPJS Kesehatan) đã đầu tư vào phân tích big data và phát triển thông tin kinh doanh để hiểu rõ hơn và theo dõi các xu hướng hành vi nhằm giải quyết gian lận. Đến nay, họ đã đạt được một số kết quả như:

+ Machine learning và big data: Hỗ trợ ra quyết định về phát hiện gian lận, định rõ cách machine learning có thể phát hiện gian lận tiềm ẩn nhanh và hiệu quả hơn, giúp giảm thời gian phát hiện, dự đoán chính xác hơn bằng cách sử dụng bộ dữ liệu lớn và cung cấp các giải pháp hiệu quả về chi phí. Tính đến 31/12/2020, hệ thống này đã phát hiện 30.000 trường hợp có khả năng gian lận với tổng số tiền 41,93 triệu USD.

+ BPJS Kesehatan đã xây dựng một công cụ phát hiện gian lận trong các dịch vụ BV (DEFRADA)- đây là sáng kiến dựa trên thông tin kinh doanh để giúp giám định viên xác định các yêu cầu thanh toán đòi hỏi phải phân tích kỹ hơn. Trong tương lai, phân tích và nghiên cứu dữ liệu sẽ đóng vai trò là động lực chính cho việc hoạch định chính sách trong việc giải quyết gian lận.

+ Phát triển hệ thống hiệu thuốc trực tuyến để thanh toán và phân phối thuốc hiệu quả hơn, giải thích việc phát triển hệ thống hiệu thuốc trực tuyến dựa trên web, cho phép cải tiến quy trình thanh toán và phát triển hệ thống tương tác tương thích với các hiệu thuốc đối tác. Hệ thống có tác động đáng kể đến việc giảm gian lận, cải thiện hiệu quả và tăng số lượng gửi yêu cầu thanh toán đúng hạn.

Mỗi tổ chức nên phát triển một chiến lược chống gian lận hiệu quả và toàn diện dựa trên bằng chứng đáng tin cậy về bản chất và quy mô của gian lận. Kinh nghiệm thực tế cho thấy, để cải thiện độ tin cậy của hồ sơ rủi ro- được dùng làm cơ sở cho việc hình thành chiến lược quản lý rủi ro của tổ chức và lập ngân sách dựa trên rủi ro, đòi hỏi sự cần thiết phải xác định các kỹ thuật có thể cải thiện độ tin cậy, chất lượng và hiệu quả trong hồ sơ rủi ro, để đảm bảo hiệu quả quản lý rủi ro.

Cơ quan Dịch vụ BHYT quốc gia Hàn Quốc (NHIS) cũng đã phát triển một hệ thống phát hiện gian lận dựa trên big data về CSSK, bao gồm các biến số về nhân khẩu học xã hội, bệnh tật và tiền sử điều trị. Hệ thống được đưa ra để phát hiện và dự đoán gian lận của các cơ sở KCB mà không được thành lập theo quy tắc hiện hành, ví dụ những người không đủ năng lực- tìm cách tối đa hóa lợi nhuận của họ với các yêu cầu thanh toán bảo hiểm gian lận. Việc cung cấp DVYT ở Hàn Quốc phần lớn nằm ở khu vực tư nhân. Do đó, ngăn chặn thành lập các cơ sở y tế bất hợp pháp vì lợi nhuận là một trong những trụ cột của hệ thống, cùng với việc ngăn chặn các yêu cầu thanh toán bảo hiểm gian lận. NHIS bắt đầu áp dụng AI từ năm 2020 dựa trên hệ thống phát hiện kết hợp tìm kiếm thông tin có xác suất gian lận cao, kết hợp giữa dựa trên quy tắc truyền thống và các mô hình dự đoán AI.

Còn tại Việt Nam, BHXH Việt Nam đã ứng dụng CNTT trong quản lý KCB BHYT. Hệ thống thông tin giám định BHYT kết nối với hơn 12.000 BV trên toàn quốc- đã được chứng minh là một đầu mối quan trọng trong việc kiểm soát và giám sát DVYT của các BV liên quan và người tham gia BHYT, góp phần phục vụ ASXH chung của Việt Nam.

Như vậy, các hệ thống CSSK muốn bền vững về mặt tài chính, cần phải sử dụng các nguồn lực khan hiếm một cách hiệu suất và hiệu quả hơn. Việc cung cấp dịch vụ CSSK phụ thuộc vào sự tác động lẫn nhau của các nguồn lực tài chính, công nghệ và nhân lực, nên đòi hỏi phải có hành vi phù hợp từ tất cả các bên liên quan. Các tổ chức ASXH phải tham gia vào các hoạt động chống gian lận thích hợp, vì gian lận có thể gây tổn hại nghiêm trọng đến quỹ tài chính và làm giảm chất lượng CSSK.

Các yếu tố cần thiết của chiến lược chống gian lận bao gồm đánh giá rủi ro, đo lường gian lận, phát triển văn hóa chống gian lận trong tổ chức, phát hiện gian lận nhanh chóng, theo đuổi nghiêm ngặt các biện pháp trừng phạt (hình sự và dân sự) và các biện pháp tìm kiếm khắc phục hậu quả. Còn đầu tư vào các công nghệ mới nổi cũng rất quan trọng để phát triển, giám sát và đánh giá các ứng phó phù hợp nhằm giải quyết hiệu quả gian lận trong CSSK.

Đáng chú ý, sinh trắc học và blockchain đóng góp vào việc phát triển các biện pháp phòng ngừa bằng cách tăng cường kiểm soát nhận dạng của mọi người và cung cấp các phương tiện để triển khai các hệ thống bất biến, tức là thông tin không thể bị thay đổi. Ngoài ra, khai thác dữ liệu, phân tích dự đoán, machine learning và các kỹ thuật AI khác cho phép triển khai các biện pháp phát hiện dựa trên hồ sơ, để xác định các trường hợp đáng ngờ bằng cách sử dụng dữ liệu hiện có. Những công nghệ này cũng có thể được sử dụng để thực hiện các biện pháp phòng ngừa, đặc biệt là thông qua các cơ chế quản lý rủi ro.

Tuy nhiên, điều quan trọng là, kết quả của các kỹ thuật dự đoán và dựa trên hồ sơ là gần đúng; do đó vẫn cần có sự can thiệp của các giám định viên- những người có thể xác định các trường hợp gian lận thực tế bằng cách thu thập bằng chứng thích hợp. Tạo ra năng lực phù hợp là điều kiện tiên quyết quan trọng để các tổ chức ASXH và y tế áp dụng các công nghệ mới nổi. Điều này trước hết liên quan đến việc đầu tư cho thử nghiệm và lựa chọn các công cụ phần mềm và công nghệ nhúng vào các bước quan trọng của quy trình kiểm soát gian lận, cùng với việc phát triển các kỹ năng của nhân viên.

Tiếp đến, các tổ chức áp dụng các công nghệ mới nổi theo hướng dữ liệu, chẳng hạn như phân tích và AI, cũng nên áp dụng các phương pháp quản lý và quản trị dữ liệu để đạt được mức chất lượng dữ liệu cần thiết. Các chiến lược và giải pháp hỗ trợ các nhà hoạch định chính sách và các tổ chức ASXH trong việc ngăn ngừa và phát hiện gian lận là vấn đề then chốt để đảm bảo quyền được CSSK cho mọi bệnh nhân. Việc áp dụng các công nghệ mới nổi có thể mang lại những cơ hội mới đáng kể và là một bước tiến bộ trong lĩnh vực này.

Tường Vân (Theo ISSA news)