در اکثر کشورها تقلب در اسناد بیمه‌ای تبدیل به معضلی جدی برای نظام‌های سلامت و سازمان‌های بیمه‌گر شده است. این در حالی است که نهادهای درگیر در تامین مالی نظام‌های سلامت بنا به عللی همچون محدودیت‌های بودجه‌ای و سرعت بالای رشد هزینه‌های بهداشتی و درمانی در پی بهینه‌سازی فرآیندهای خود با استفاده از تحلیل‌های پیشرفته و هوش مصنوعی (AI) هستند، که شناسایی و پایش تقلب با استفاده از رویکردهای کاراتر در نقطه کانونی این تلاش‌ها قرار دارد.

در یک دیدگاه کلی تامین هزینه‌های دفاعی، آموزشی و بهداشتی و درمانی جزء مسئولیت‌های پایه دولت‌ها در نظر گرفته می‌شود. بر همین اساس در اکثر کشورهای جهان بخش اعظم بودجه‌های عمومی صرف تامین هزینه‌های مرتبط با این موارد می‌شود. روندهایی همچون کهنسالی جمعیت، تورم بالای بخش سلامت و رشد سریع فناوری‌های تشخیصی و درمانی نوین منجر به افزایش فشارهای هزینه‌ای بخش سلامت و در نتیجه محدودیت بیشتر دولت‌ها برای تامین این هزینه‌ها شده است. در نتیجه تحولات رخ داده در طول چند دهه گذشته، بخش سلامت تبدیل به عنصر کلیدی تامین رفاه اجتماعی شده است و بخش قابل‌توجهی از بودجه‌های عمومی صرف این موضوع می‌شود. علاوه‌بر دریافت منابع منابع مالی قابل‌توجه، بخش سلامت نقش مهمی در اشتغال نیز دارد (به‌عنوان مثال، نظام سلامت بریتانیا بزرگترین کارفرمای این کشور می‌‌باشد).
رخ‌دادهای ناشی از جهان‌گیری Covid-19 نه تنها تاثیرات قابل‌توجهی بر عملکرد نظام‌های سلامت داشته است بلکه ضرورت تغییرات قابل‌توجهی در حوزه‌هایی مانند نظام‌های پرداخت به ارائه‌کنندگان، استفاده از فناوری‌های نوین برای ارائه خدمات و همچنین اتخاذ رویکردهای جدید برای پایش عملکرد را آشکار ساخته است. در همین راستا اقدامات مختلفی نیز انجام شده است، از جمله حرکت به سمت پزشکی از راه دور (دورا-پزشکی). در کشور ما نیز اقدامات مختلفی در این حوزه انجام شده است، از جمله، اجرای طرح نسخه‌نویسی و نسخه‌پیچی الکترونیک و حذف دفترچه‌های کاغذی باهدف ایجاد پرونده الکترونیک سلامت و گسترش برنامه‌های ویزیت‌ آنلاین همچون دکتر دکتر و دکتر نکست. سرعت بالای تحولات رخ داده در طول چند سال گذشته در کنار مزایای متعددی که داشته است منجر به بروز چالش‌ها و مشکلاتی نیز شده است، از جمله مستعد شدن فضا برای اتلاف منابع و همچنین افزایش تقلب و تخلف. هرچند که عملکرد بخش عمده ارائه کنندگان خدمات سلامت با استانداردها و قوانین تطابق دارد ولی رفتارهای متقلبانه (Fraudulent Behaviors) اتخاذ شده توسط برخی از ارائه کنندگان تاثیرات منفی قابل‌توجهی بر بهره‌مندی از خدمات سلامت و تامین مالی آنها دارد. به‌عنوان مثال، اینگونه اقدامات منجر به اتلاف منابع محدود نظام سلامت و حتی ارائه خدمات غیرضروری به بیماران یا عدم دسترسی آنها به خدمات پزشکی ضروری می‌شود. نکته قابل‌توجه این است که منابع از دست رفته به علت اتلاف یا تقلب دیگر برای مصارفی همچون پیشگیری از بیماری‌ها، تحقیق و توسعه برای نوآوری‌ها یا سرمایه‌گذاری در دسترسی عادلانه به خدمات سلامت در دسترس نیستند. بر اساس پژوهشی که توسط سازمان همکاری‌های اقتصادی و توسعه در سال 2017 انجام شده است به صورت متوسط حدود 6% مخارج سلامت این کشورها به علت تقلب و تخلف از دست می‌رود.
در کشورهایی که بار اصلی تامین مالی بر دوش سازمان‌های بیمه‌گر است، موضوع تقلب از اهمیت بسیار بالایی برخوردار است. این موضوع ریشه در این حقیقت دارد که به علت پرداخت هزینه‌ها توسط یک نهاد ثالث حساسیت بیماران و ارائه کنندگان نسبت به صورتحساب تنظیم شده کاهش می‌یابد. تحولات رخ داده در زمینه سلامت دیجیتال نیز به این موضوع دامن زده است. به‌عنوان مثال، همزمان با الکترونیک شدن نسخه‌نویسی در کشور، ساختارهای سنتی ایجاد شده برای جلوگیری از اتلاف منابع و تقلب و تخلف کارایی خود را از دست دادند و ساختارهای جدید نیز یا توسعه نیافته‌اند یا هنوز تطابق کافی با شرایط نظام سلامت را ندارند. از سوی دیگر، عمده رویکردهای موجود برای شناسایی تقلب و تخلف از نوع گذشته‌نگر هستند و تنها پس از وقوع تقلب امکان شناسایی آن را دارند (بجای تاکید بر پیشگیری). علاوه‌بر این، داده‌های موجود در حوزه بهداشت و درمان نیز اغلب استاندارد نیستند و قابلیت تجمیع و تحلیل به عنوان کلان داده را ندارند. بنابراین، رویکردهای موجود برای پیشگیری از وقوع تقلب (بجای بررسی داده‌های گذشته و شناسایی موارد تقلب) نیازمند اصلاح ساختارهای موجود برای گردآوری و تجمیع داده‌ها هستند.

تقسیم‌بندی انواع تقلب

تعریف شفاف انواع تقلب و تخلف در بخش سلامت پیش‌درآمد ضروری تدوین راهبردهای مناسب برای حاکمیت خوب در نظام‌های سلامت است. از سوی دیگر، استانداردسازی تعاریف نقش بسیار مهمی در بهبود ارتباطات و تبادل داده، ایجاد زیرساخت‌های لازم برای الگوبرداری از کشورهای دیگر و طراحی اقدامات هدفمند دارد.
تقلب و تخلف در مراقبت‌های سلامت شامل تمام بخش‌های صنعت سلامت می‌شود، از جمله تولید کنندگان داروها و تجهیزات پزشکی، بیمارستان‌ها، داروخانه‌ها، پزشکان، عرضه کنندگان کالاهای مصرفی، آزمایشگاه‌ها، بیماران و پرداخت کنندگان. همچنین، تقلب و تخلف ممکن است اشکال مختلفی داشته باشد، از جمله رشوه، اسناد ساختگی (False Claims) و خودارجاعی‌های غیرقانونی. از میان بازیگران مختلف، پرداخت کنندگان صورت حساب‌های پزشکی (سازمان‌های بیمه‌گر) بیشترین تاثیر را از تقلب و تخلف می‌پذیرند.

تعاریف مربوط به خطا، قانون گریزی (تخلف) و تقلب

خطا، تخلف و تقلب (Error, Evasion, and Fraud) سابقه‌ای طولانی در حوزه بهداشت و درمان و تامین اجتماعی دارند. انجمن بین‌المللی تامین اجتماعی (International Social Security Association) در سال 2017 در گردهمایی اعضاء خود اقدام به شناسایی و معرفی موثرترین راه‌های مقابله با خطا، تخلف و تقلب نمود. این انجمن ضمن تاکید بر وجود یک رویکرد یکپارچه و جامع برای پیشگیری، شناسایی و مقابله با خطا ورفتارهای متقلبانه (چه از سوی ارائه کنندگان و چه از سوی بهره‌مندان) اقدام به ارائه یک مدل و رویکرد بر پایه رویکرد مدیریت ریسک نمود. مدل ارائه شده بر پایه مفاهیم ذیل می‌باشد.

تقسیم‌بندی شبکه اروپایی مقابله با تقلب و فساد در مراقبت‌های سلامت

در سالیان اخیر شبکه اروپایی مقابله با تقلب و فساد (European Healthcare Fraud & Corruption Network) تبدیل به بازیگری پیشگام در زمینه ارائه تعاریف متمایز برای خطا، سوء‌استفاده، تقلب و فساد در مراقبت‌های سلامت شده است. این شبکه فساد را به اینصورت تعریف کرده است «ارائه اسناد و مدارک کاذب، نادرست یا ناقص یا عدم ارائه اطلاعاتی که نشان دهنده نقض یک تعهد قانونی هستند یا منجر به شناسایی منابعی می‌شوند که به‌صورت نادرست یا اشتباه هزینه شده‌اند یا مورد استفاده قرار گرفته‌اند». در مورد مراقبت‌های سلامت، تمایز قائل شدن میان تقلب و اتلاف موضوع دشواری است. در حالی‌که تقلب دارای ماهیت تعمدی است، اتلاف منابع اغلب به‌صورت غیرعمدی رخ می‌دهد. تعاریف ارائه شده توسط این شبکه از خطا، سوء‌استفاده، تقلب و فساد به شرح ذیل می‌باشد.

تاکنون انواع مختلفی از تقلب ارائه شده است که رایج‌ترین آنها عبارتند از

استفاده از فناوری‌ برای پیشگیری از و شناسایی تقلب در مراقبت‌های سلامت

تاکنون کارایی و اثربخشی روش‌های سنتی شناسایی تقلب در مراقبت‌های اثبات نشده است. در این رویکرد، ارائه کننده پس از ارائه خدمت به بیمار/بیمه شده اقدام به ارائه سند درمانی می‌کند. سپس شرکت بیمه اقدام به ارزیابی و بازپرداخت سند می‌کند. یکی از چالش‌های جدی این رویکرد در نظر نگرفتن بیماری که خدمات را دریافت نموده است. علاوه‌بر این، تلاش برای شناسایی تقلب در مراقبت‌های سلامت شامل تلاش‌های طاقت‌فرسا و بررسی دقیق اقدامات پس از پرداخت هزینه صورت‌حساب‌های کاذب می‌شود. گردآوری شواهد لازم برای اثبات تقلب و دریافت هزینه‌های پرداخت شده ممکن است سال‌ها طول بکشد. رویکردهای نوین شناسایی تقلب و تخلف با استفاده از نوآوری‌های داده‌محور (Data-driven innovation) منجر به تسهیل قابل‌توجه این فرآیند شده‌اند. برخی از مهم‌ترین رویکردهای نوین عبارتند از داده‌کاوری، یادگیری ماشینی و دیگر رویکردهای هوش مصنوعی. به‌عنوان مثال

هرچند که پایگاه‌های داده مرتبط با داده‌های مراقبت‌های سلامت می‌توانند حجم بسیار زیادی داشته باشند اما در صورت داشتن ساختار مناسب می‌توانند منجر به تحولات قابل‌توجه در زمینه مدیریت اسناد درمانی شوند. استفاده از الگوریتم‌های یادگیری ماشین (Machine Learning) می‌تواند منجر به انجام تحلیل‌های پیشرفته‌تر و دقیق‌تر به شیوه‌ای سریع‌تر از روش‌های سنتی شناسایی تقلب شود. تاکنون تکنولوژی‌های مختلفی برای دسته‌بندی، خوشه‌بندی، تصمیم‌گیری یا شناسایی (چهره) ارائه شده است. کاربست فناوری اطلاعات برای پیشگیری از و/یا شناسایی ناهنجاری‌ها مورد تاکید نهادهای مختلفی قرار گرفته است. برنامه‌‎های مبتنی بر سامانه‌های اطلاعاتی و کلان‌داده امکان پیاده‌سازی اقدامات موثر برای مقابله با خطا، تخلف و تقلب را فراهم نموده‌اند.

شناسایی نقض قوانین و ناهنجاری‌ها

ممیزی تقلب در مراقبت‌های سلامت و سامانه‌های شناسایی تقلب در پی حفاظت از پرداخت کنندگان مخارج سلامت به شیوه‌های ذیل می‌باشد:

از تحلیل داده‌ها برای شناسایی موارد نقض قواعد و همچنین ناهنجاری‌ها استفاده می‌شود. به این شیوه شناسایی موارد نقض قوانین امر ساده‌ای خواهد بود (به‌عنوان مثال، پرداخت‌های انجام شده مازاد بر کمینه تعیین شده برای پرداخت). بااین وجود، همچنان فناوری قادر به تشخیص قطعی تقلب نمی‌باشد، چراکه برخی از الگوهای شناسایی شده ممکن است ناشی از خطاهای اداری باشند (به‌عنوان مثال، تخصیص اشتباه یک پرونده به یک بیمار خاص). ناهنجاری‌ها مربوط به رفتارهای ارائه‌کنندگان، بیماران، بیمه‌گران یا الگوهای درمانی‌‎ای که فاصله زیادی از الگوهای نرمال مورد انتظار دارند، می‌شوند.
به‌عنوان مثال، در یونان سازمان ملی ارائه خدمات سلامت (National Organization for the Provision of Health Services) از هوش مصنوعی برای شناسایی تقلب در نسخه‌های تجویز شده استفاده می‌کند که در دادگاه با این استدلال که «الگوریتم‌ها قادر به ارائه نتایج قابل اعتماد یا جایگزینی کنترل‌های انسانی روی اسناد مالی نیستند» مردود شمرده شد. به دیگر سخن، همانند شناسایی موارد نقض قانون، شناسایی تقلب و تخلف نیز مستلزم بررسی دقیق‌تر پرونده‌های شناسایی شده است. پس از ارائه جزئیات بیشتر در مورد روش مورد استفاده برای شناسایی تقلب و تخلف، دادگاه چنین استدلال نمود که «روش‌های مورد استفاده در فرآیند ممیزی دارای ضمانت کافی برای عینیت، اعتبار، دقت و پایایی نتایج ارائه شده هستند».
در حالی‌که ممکن است هوش مصنوعی منجر به تغییر زمین بازی در حوزه شناسایی تقلب و تخلف در مراقبت‌های سلامت شود، هدف تمام سیستم‌های هوش‌ مصنوعی‌محر می‌بایست تکمیل فرآیندهای شناسایی تقلب مبتنی بر کارشناسان فعال در این حوزه باشد (بجای تلاش برای جایگزینی آنها). علاوه‌بر این، استفاده از هوش مصنوعی منجر به نگرانی‌های زیادی در مورد محرمانگی داده‌ها، اصول اخلاقی و امنیت فضای مجازی شده است.

بررسی داده‌ها با استفاده از فناوری اطلاعات

یکی از جنبه‌های کلیدی شناسایی تقلب سرمایه‌گذاری در فناوری اطلاعات به منظور افزایش اثربخشی مدیریت پرونده‌های حاوی تقلب است. این موضوع شامل سرمایه‌گذاری در زیرساخت‌ها و منابع انسانی متخصص در زمینه شناسایی تقلب و رفتارهای متقلبانه است. به‌عنوان مثال، در کشور اندونزنی BPJS Kesehatan اقدام به سرمایه‌گذاری در تحلیل کلان داده‌ها و توسعه هوش تجاری (BI) به منظور درک بهرت و پایش روندهای رفتاری به منظور پیشگیری از تقلب نموده است که جنبه‌های کلیدی آن عبارتند از:

• یادگیری ماشین و کلان داده‌: حمایت از تصمیم‌گیری در زمینه شناسایی تقلب این حوزه متمرکز بر استفاده از یادگیری ماشین به منظور شناسایی سریع‌تر و کاراتر پرونده‌هایی که به‌صورت بالقوه حاوی تقلب هستند، پیش‌بینی دقیق‌تر با استفاده از پایگاه‌های داده بزرگ و ارائه راه‌حل‌های هزینه‌ اثربخش می‌شود؛
• توسعه داشبورد شناسایی تقلب در اسناد بستری (یک برنامه مبتنی بر هوش تجاری به منظور شناسایی تقلب در اسناد بستری) این برنامه به منظور کمک به پرسنل فعال در بخش بستری به منظور شناسایی اسنادی که نیازمند بررسی بیشتر هستند توسعه یافته است. در آینده، تحلیل داده‌ها و پژوهش به عنوان نیروهای هادی اصلی سیاستگذاری برای مقابله با تقلب عمل خواهند کرد؛
• توسعه یک سیستم دارویی آنلاین به منظور افزایش کارایی صدور صورت‌حساب و ارسال داروها این سیستم مبتنی بر یک سامانه دارویی آنلاین وب‌محور می‌باشد که امکان بهبود فرآیند صدور صورت‌حساب و ایجاد یک سیستم با قابلیت تعامل بین سامانه‌ای میان داروخانه‌ها را فراهم نموده است. این سیستم تاثیر مهمی بر کاهش تقلب، بهبود کارایی و بهبود ارسال به موقع اسناد دارد؛
• هر سازمانی باید دارای یک راهبرد موثر و جامع برای مقابله با تقلب بر پایه شواهد موجود در زمینه ماهیت و وسعت تقلب باشد شواهد موجود در زمینه مقابله با تقلب حاکی از ضرورت شناسایی تکنیک‌هایی است که می‌توانند پایایی، کیفیت و کارایی را در نمایه ریسک بهبود بخشند می‌باشند.

تجربه کره جنوی (خدمات نظام بیمه ملی سلامت)  اقدام به توسه یک سیستم شناسایی تقلب بر اساس کلان داده‌های بخش سلامت نموده است (از جمله داده‌های اجتماعی-جمعیت‌شناسانه، سابقه بیماری و درمان). این سیستم به منظور شناسایی و پیش‌بینی تقلب مراکز بهداشتی و درمانی توسعه یافته است. در کره جنوبی که ارائه کنندگان خصوصی نقش اصلی را در ارائه خدمات سلامت بازی می‌کنند، جلوگیری از تاسیس مراکز پزشکی غیرانتقاعی غیرقانونی یکی از ارکان کلیدی نظام سلامت است. بر همین اساس نظام بیمه ملی سلامت این کشور از سال 2020 شروع به استفاده از هوش مصنوعی بر پایه یک رویکرد تشخیصی هیبرید که اطلاعاتی که با احتمال بالایی مستعد تقلب هستند نمود (این رویکرد مبتنی بر تلفیق مدل‌های سنتی قاعده‌محور و مدل‌های پیشگیرانه مبتنی بر هوش مصنوعی می‌باشد).

نتیجه‌گیری

ثبات مالی نظام‌های مراقبت سلامت مستلزم استفاده کاراتر و اثربخش‌تر از منابع موجود است. از آنجاکه ارائه مراقبت‌های سلامت وابسته تعامل چندجانبه میان منابع مالی، فناوری و منابع انسانی است، این موضوع نیازمند رفتار مناب تمام بازیگران درگیر است. امروزه مشارکت نهادهای درگیر در تامین مالی بخش سلامت در اقدامات مرتبط با مقابله با تقلب از اهمیت بالایی برخوردار است، چراکه تقلب می‌تواند منجر به آسیب جدی به تامین مالی مراقبت‌های سلامت و در نتیجه کاهش کیفیت این خدمات شود.
عناصر کلیدی راهبردهای مقابله با تقلب عبارتند از مدیریت ریسک، سنجش تقلب، ایجاد فرهنگ ضد تقلب در سازمان، ترویج شناسایی تقلب، پیروی دقیق از مجازات‌های مرتبط با تقلب (جزایی و مدنی) و اقدامات مرتبط با بازیابی پرداخت‌های انجام شده.
سرمایه‌گذاری در توسعه فناوری‌های جدید نقش بسیار مهمی در توسعه، پایش و ارزیابی اقدامات متناسب به شیوه‌ای کاراتر به منظور مقابله با تقلب در مراقبت‌های سلامت دارد. شناسایی بیومتریک و بلاکچین از طریق تقویت تایید هویت افراد و ارائه ابزارهایی برای اجرای سیستم‌هایی که اطلاعات در بستر آنها قابل تغییر نیستند نقش مهمی در توسعه اقدامات پیشگیرانه دارند. علاوه‌بر این، داده‌کاوی، تحلیل‌های پیشگیرانه، یادگیری ماشین و دیگر رویکردهای مبتنی بر هوش مصنوعی امکان اجرای اقدامات مرتبط با شناسایی تقلب به ازای هر پرونده را با استفاده از داده‌های در دسترس فراهم می‌سازند. این تکنولوژی‌ها همچنین می‌توانند برای اجرای اقدامات پیشگیرانه به کار گرفته شوند، به‌ویژه از طریق سازوکارهای مدیریت ریسک.
بااین وجود، توجه به این نکته مهم است که خروجی تکنیک‌های پروفایل‌محور و پیشگیرانه حدودی هستند و بنابراین نیازمند بررسی بیشتر توسط کارشناسان فعال در حوزه شناسایی تقلب می‌باشند. ایجاد ظرفیت کافی پیش‌نیاز مهمی برای کاربست فناوری‌های در حال پیدایش در نظام‌های سلامت می‌باشد. این موضوع شامل (نخست) سرمایه‌گذاری در آزمودن و انتخاب ابزارهای نرم‌افزار محور و کاربست فناوری در گام‌های کلیدی فرآیندهای کنترل تقلب و همچنین سرمایه‌گذاری در ارتقا مهارت‌های پرسنل می‌شود. دوم اینکه، نهادهایی که از فناوری‌های در حال پیدایش داده‌محور استفاده می‌کنند (مانند هوش مصنوعی) می‌بایست از مدیریت داده‌ها و اقدامات حاکمیتی برای رسیدن به داده‌های با کیفیت استفاده کنند. در نهایت، نهادهایی که از فناوری‌های در حال پیدایش استفاده می‌کنند می‌بایست از محیط‌های معروف به سندباکس (Sandbox) برای آزمودن ایمنی و پیش‌آزمایی اپلیکیشن‌ها استفاده کنند. راهبردها و راه‌حل‌های موجود برای حمایت از سیاستگذاران در حوزه پیشگیری از و شناسایی تقلب نقشی بنیادین در تضمین حق دسترسی به خدمات سلامت تمام افراد دارد. کاربست فناوری‌های در حال پیدایش می‌تواند نقش مهمی در ایجاد فرصت‌های جدید داشته باشد و منبعی ارزشمند برای پیشرفت در این حوزه در نظر گرفته شود.

منابع

OECD. 2017. Tackling wasteful spending on health. Paris, Organization for Economic Co-operation and Development.

https://www.issa.int/analysis/detecting-fraud-health-care-through-emerging-technologies.

OECD. 2017. Tackling wasteful spending on health. Paris, Organization for Economic Co-operation and Development.

OECD. 2020. Trustworthy AI in health. Paris, Organization for Economic Co-operation and Development.