Nach jahrelangen Beitragserhöhungen steigt der Druck auf die Krankenkassen, ihre Kosten zu senken. Sie versuchen deshalb verstärkt, Verluste durch Falschabrechnungen und Abrechnungsbetrug zu reduzieren. Denn die dadurch verursachten Milliardenschäden erschweren eine attraktivere Beitragsgestaltung. Im Kampf gegen die steigenden Verluste stehen die Kassen jedoch einem enormen Erfindungsreichtum und damit unzähligen Betrugsformen gegenüber. Zu den beliebten Verfahren der Falschabrechner gehört beispielsweise das so genannte Upcoding, wobei ein und dieselbe Rechnung mehrfach gestellt wird. Auch werden häufig Abrechnungen von Leistungen, die niemals erbracht wurden, eingereicht. Parallel dazu stellt die Abgrenzung zwischen versehentlicher Falschabrechnung, Missbrauch und Betrug eine große Herausforderung dar. Führt man sich vor Augen, dass es allein für Kliniken rund 13.000 Diagnosen und 27.000 Prozeduren gibt, für die eigene Abrechnungsziffern bestehen, wird nachvollziehbar, dass sich bei der Zuordnung der komplizierten Codes gelegentlich Fehler einschleichen. Aber auch diese verursachen unnötige Kosten, vor allem dann, wenn sie nicht erkannt und fälschlicherweise als korrekte Abrechnung behandelt werden.
Verluste, die Versicherungen durch Falschabrechnungen erleiden, können durch den Einsatz von Betrugserkennungssystemen deutlich reduziert werden. Dabei liefern die Abrechnungsdaten wertvolle Informationen zur Identifikation verdächtiger Verhaltensmuster und somit zur Bestimmung, welche Abrechnungen einer Sonderprüfung zugeführt werden sollten. Dazu müssen Betrugserkennungssysteme allerdings auch komplexe und unbekannte Missbrauchs- und Betrugsmuster erkennen können. Es reicht deshalb nicht aus, bekannte Betrugsmuster in rein regelbasierten Systemen zu hinterlegen. Denn diese Systeme prüfen zumeist nur einzelne Abrechnungen. Dadurch sind sie nicht in der Lage, Abrechnungen zu erkennen, die für sich genommen zwar korrekt erscheinen, jedoch in ein größeres Betrugssystem eingebettet sind oder sich wiederholende Fehler enthalten. Auch Manipulationen durch Upcoding, Abrechnung unrealistischer Leistungen oder überhöhter Beiträge bleiben unerkannt. Um den Anforderungen in der Betrugserkennung gerecht zu werden, müssen auch komplexe und sich verändernde Verhaltensweisen analysiert werden.
Effizientes Betrugsmanagement
Betrugserkennungssysteme mit integrierten Analytikmodellen zeichnen sich genau dadurch aus: Sie werden der Datenkomplexität gerecht und sind in der Lage, auch neu erfasste Daten fortlaufend zu analysieren und damit Veränderungen beispielsweise im Verhalten eines Leistungserbringers zu erkennen. Auf diese Weise lassen sich neue Betrugsmuster herausfiltern, wobei es keine Rolle spielt, ob die Veränderungen plötzlich oder im Laufe der Zeit auftreten. Unregelmäßigkeiten werden dadurch erkannt, dass jede einzelne Abrechnung im Kontext des Abrechnungsverhaltens sowohl des Leistungserbringers selbst als auch im Vergleich zu Ärzten derselben Fachrichtung beziehungsweise vergleichbaren Einrichtungen geprüft wird. Diese Prüfung erfolgt auf der Grundlage einer übergreifenden Analyse der gesamten Abrechnungshistorie. Das bedeutet, dass das System mit statistischer Modellierung kontinuierlich Daten aus allen Abrechnungen extrahiert und aussagekräftige Informationen aus dieser großen Datenmenge erfasst. Dabei werden mithilfe des so genannten dynamischen Profilings Daten im Umfang von einem Terabyte oder mehr innerhalb weniger Sekunden verarbeitet, um normales und abweichendes Verhalten zu erkennen. Profile lassen sich für praktisch jede Kategorie erzeugen, beispielsweise für Patienten, Leistungserbringer oder Behandlungsmethoden. Diese Profile können Daten zu kompakten mathematischen Beschreibungen verdichten. Das Ergebnis ist eine Kennzahl, welche anzeigt, mit welcher Wahrscheinlichkeit es sich bei einem bestimmten Vorgang um Betrug handelt. Die Profile werden auf jede eingehende Abrechnung beziehungsweise laufende Transaktion angewandt und aktualisieren sich mit jeder neuen Information selbst.
An den richtigen Stellen prüfen
Durch Analysen, die im Vorfeld von Zahlungen durchgeführt werden, bleiben den Versicherungen unnötige oder zu hohe Zahlungen als auch potenziell monatelange Wartezeiten bis zur Rückforderung erspart. An dieser Stelle zeigen intelligente Betrugserkennungssysteme den Prüfern auf, wo sich am meisten bewirken lässt. Während regelbasierte Systeme gekennzeichnete Problemfälle ohne Priorität für die Prüfer einstellen, bieten fortschrittliche Systeme eine Liste, auf der die verdächtigsten Fälle (Abrechnungen oder Leistungserbringer) ganz oben rangieren. Scores auf einer Skala von 1 bis 1.000 leisten zusätzlich Hilfe, denn zu jedem Score werden eine oder mehrere Erläuterungen geliefert, warum die Abrechnung beziehungsweise der Leistungserbringer verdächtig ist. Der Prüfumfang als auch die Falsch-Positiv-Rate verringern sich deutlich, indem einwandfreie Abrechnungen und seriöse Leistungserbringer nicht fälschlicherweise zur Prüfung gekennzeichnet werden.
Schlupflöcher schließen
Versicherungen, die mit einer hohen Anzahl an Abrechnungsfehlern und Betrugsfällen kämpfen, sollten außerdem ihre vertraglichen Vereinbarungen sowie ihre Bearbeitungsprozesse auf den Prüfstand stellen. Auch hier kann die Implementierung eines Betrugserkennungssystems helfen. Denn intelligente Systeme erkennen vertragliche und systematische Schwachstellen, die Betrug und Missbrauch ermöglichen. Gelingt es den Versicherungen, diese Schlupflöcher in den Bearbeitungsregeln, in ihren Strategien und Tarifen auszumachen, führt das zu kontinuierlichen Einsparungen in beträchtlichem Umfang.
Jährlicher Check-up
Systematische und vertragliche Schwachstellen lassen sich nicht nur als nützlichen Nebeneffekt der Implementierung korrigieren, sondern auch später bei kontinuierlichen Bewertungen. So weisen beispielsweise Leistungserbringer mit hohen Scores auf mögliche inhärente Probleme hin, die betrügerisches Verhalten begünstigen. In solchen Fällen sind tiefgehende retrospektive Analysen, mit deren Hilfe Leistungserbringer einmal pro Jahr bewertet werden, sehr nützlich. Denn durch die jährliche Analyse lassen sich zusätzliche Verhaltensmuster erkennen, die bei kleineren Datensätzen nicht auffallen. Bei der Gesamtbetrachtung eines Abrechnungsjahres eines Leistungserbringers können sich dann abweichende Muster wie ein unüblicher Mix an Aktivitäten oder eine ungewöhnlich häufige Anwendung bestimmter Behandlungen zeigen, die über einen langen Zeitraum verteilt erfolgten.
Fazit
Die Analyse von Abrechnungsdaten ermöglicht es Versicherungen, durch Betrug oder Irrtum verursachte Verluste deutlich zu reduzieren. Prädiktive Analytikmodelle garantieren, dass dem System subtiles und komplexes Betrugsverhalten als auch organisierter Betrug in großem Stil sowie neue Betrugsmuster nicht entgehen. Zusätzlich ist mit einer präventiven Wirkung zu rechnen, wenn bekannt wird, dass Versicherungen effiziente Betrugserkennungssysteme implementiert haben.