«Η ασφαλιστική απάτη στον τομέα της Υγείας, μπορεί να επιφέρει σημαντική αύξηση των ασφαλίστρων σε όλο το χαρτοφυλάκιο ασφάλισης, καθώς επίσης να οδηγήσει σε καθυστερημένη εκδίκαση αξιώσεων, γεγονός με αρνητική επίδραση στις τεχνικές προβλέψεις (υποχρεώσεις)». Αυτό ανέφερε ο Γιάννης Καντώρος, διευθύνων σύμβουλος της INTERAMERICAN και πρόεδρος της Επιτροπής Ασφαλίσεων Υγείας της Ένωσης Ασφαλιστικών Εταιρειών Ελλάδος, για την ασφαλιστική απάτη στον τομέα της Υγείας, κατά την πρόσφατη ημερίδα που οργάνωσαν τα ακαδημαϊκά τμήματα Οργάνωσης και Διοίκησης Επιχειρήσεων και Στατιστικής και Ασφαλιστικής Επιστήμης» του Πανεπιστημίου Πειραιώς, υπό την αιγίδα της Ένωσης Ασφαλιστικών Εταιρειώνν Ελλάδος και του Συνδέσμου Ελλήνων Μεσιτών Ασφαλίσεων, με θέμα «Data Analytics and Machine Learning for Insurance Fraud Detection».
Το στέλεχος της ασφαλιστικής αγοράς, σύμφωνα με σημερινή ανακοίνωση της εταιρείας, ανέδειξε τη σοβαρότητα του θέματος για την ασφαλιστική βιομηχανία, σε όλον τον κόσμο και στην Ελλάδα. Τόνισε ότι, στην προσπάθεια για την αντιμετώπιση του προβλήματος, η εξέλιξη της τεχνολογίας προσφέρει σημαντικά εφόδια τα οποία -εφ’ όσον χρησιμοποιηθούν σωστά- μπορούν να οδηγήσουν σε λύσεις και να βοηθήσουν τους δημόσιους και ιδιωτικούς οργανισμούς να ελαχιστοποιήσουν τις απώλειές τους. Ειδικότερα, ο ομιλητής αναφέρθηκε στη σωστή πρόσβαση και χρήση δεδομένων, καθώς και στη σχεδίαση και υλοποίηση εξελιγμένων αλγορίθμων μηχανικής μάθησης, που παρέχουν τη δυνατότητα στις επιχειρήσεις να εκτιμήσουν -φυσικά, μέσα σε ένα όριο στατιστικής σημαντικότητας- πιθανά προφίλ που θα μπορούσαν να προκαλέσουν απάτη.
Όπως επεσήμανε ο κ. Καντώρος, η αυτοματοποίηση, η ακρίβεια της πρόβλεψής τους και η επεκτασιμότητά τους, είναι κάποια από τα πιο ουσιαστικά πλεονεκτήματα που προσφέρουν οι αλγόριθμοι αυτοί για την αντιμετώπιση της ασφαλιστικής απάτης. Ο συνδυασμός των εν λόγω εξελιγμένων στατιστικών τεχνικών με τις πιο παραδοσιακές ασφαλιστικές τεχνικές αντιμετώπισης, όπως είναι η ανάληψη κινδύνων και η διαχείριση ζημιών, δημιουργεί ένα σημαντικό πλέγμα προστασίας και προσφέρει στους ασφαλισμένους καλύτερες και πιο ασφαλείς λύσεις.
Ως απάτη ορίζεται η ενσυνείδητη υποβολή μιας πλασματικής αξίωσης, η διόγκωση μιας αξίωσης ή προσθήκη επιπλέον αντικειμένων σε μια αξίωση, ή ακόμη με οποιονδήποτε τρόπο η πρόθεση να αποκτηθούν περισσότερα από τα νόμιμα δικαιώματα. Ο ομιλητής παρατήρησε πως στην ασφάλιση υγείας η απάτη πραγματοποιείται, συνήθως, με τη δήλωση ψευδών στοιχείων για οικονομικό όφελος όταν ένας πελάτης ή ένας οργανισμός αιτείται ασφάλιση, κυρίως κατά την υποβολή αιτήματος αποζημίωσης. Το κόστος διαχείρισης της απάτης μπορεί να επιφέρει σημαντική αύξηση των ασφαλίστρων σε όλο το χαρτοφυλάκιο ασφάλισης, καθώς επίσης να οδηγήσει σε καθυστερημένη εκδίκαση αξιώσεων, γεγονός με αρνητική επίδραση στις τεχνικές προβλέψεις (υποχρεώσεις).
Ο Γ. Καντώρος διέκρινε δύο κατηγορίες προέλευσης της απάτης:
- Από τους ασφαλιζόμενους, οι οποίοι ενδέχεται να μη δώσουν πραγματικά στοιχεία για την κατάσταση της υγείας τους κατά την αίτηση είτε κατά την αποζημίωση, υποβάλλοντας στοιχεία για ιατρικές πράξεις διαφορετικές από αυτές που πραγματοποιήθηκαν και δεν καλύπτονται και αφ’ ετέρου,
- από τους παρόχους υπηρεσιών -νοσοκομεία και ιατρούς- που ενδέχεται να κοστολογήσουν με υπερβολικές τιμές θεραπεία ή φάρμακο, να χρεώσουν για τις ιατρικές υπηρεσίες που δεν εκτελούνται πραγματικά, να χρεώσουν ως ξεχωριστή θεραπεία κάθε στάδιο μιας ιατρικής διαδικασίας ή να πραγματοποιήσουν πιο ακριβές ιατρικές υπηρεσίες.
Ο ομιλητής υπογράμμισε ότι για την αντιμετώπιση της απάτης, μέσω των data science και data mining τεχνικών που περιλαμβάνουν στατιστικές και μαθηματικές μεθόδους, τεχνητή νοημοσύνη και τεχνικές μηχανικής μάθησης, εξάγονται και εντοπίζονται χρήσιμες πληροφορίες από δεδομένα μεγάλου όγκου απαιτήσεων, χωρίς την παρέμβαση του ανθρώπινου παράγοντα. Για να γίνει η μετάβαση σε αυτές τις πιο εξελιγμένες τεχνικές η ύπαρξη, χρησιμοποίηση και αξιοποίηση των διαφορετικών πηγών δεδομένων είναι πολύ σημαντική. Ειδικά στον τομέα της Υγείας, όπου τα δεδομένα είναι αρκετά ευαίσθητα και ποικίλουν με βάση την εκάστοτε νομοθεσία που διέπει κάθε χώρα, θα πρέπει να βρεθούν λύσεις για την πιο σωστή και έγκαιρη χρησιμοποίησή τους. Άλλωστε, η αξιοπιστία και η προβλεπτική ικανότητα ενός machine learning αλγορίθμου βασίζεται στην ποιότητα και πολυπλοκότητα των δεδομένων που θα χτιστεί.
Ο επικεφαλής της INTERAMERICAN, αναφέρθηκε στο παράδειγμα της εταιρείας, τονίζοντας ότι εδώ και χρόνια έχει κάνει σημαντικά βήματα στον χώρο των advanced analytics, όντας σήμερα ένας από τους leader players στον ιδιωτικό τομέα ασφάλισης στο ζήτημα της διαχείρισης και αξιοποίησης των δεδομένων.
