Big Data wird in der Bevölkerung häufig mit der Überwachung sensibler privater Daten in Verbindung gebracht und hat daher eine leicht negative Konnotation. Die Analyse großer Datenmengen mittels Data Mining Technologien bietet jedoch viele Chancen die dem Wohl der Gesellschaft dienen können. Beispielsweise im Gesundheitssektor könnten so betrügerische und sogar gesundheitsschädliche Praktiken von Ärzten sowie organisierte Kriminalität erkannt werden.
In diesem Forschungsprojekt gemeinsam mit dem San Diego SuperComputer Center wurden neue elektronische Betrugserkennungsverfahren für das Gesundheitswesen entwickelt bzw. bekannte Verfahren aus anderen Branchen für den Gesundheitssektor angepasst. Es wurde ein multidimensionales Datenmodell entwickelt und um Feature Extraction und Outlier Detection Methoden erweitert. Aus den verschiedenen Sichten werden charakteristische Muster („Fingerprints“) mittels Feature Extraction gebildet, um diese dann mittels supervised und unsupervised Data Mining Methoden zu nutzen. Dabei wird insbesondere Wert darauf gelegt, noch unbekannte Betrugsmuster („unknown unknowns“) mittels unsupervised Data Mining zu erkennen.
Das Spektrum solcher betrügerischen Praktiken reicht von sinnloser Überversorgung (5 Rollstühle oder 1 km Bandage für eine/n einzelne/n Patient/in) bis zu unnötigen und sogar gefährlichen Behandlungen (Ziehen gesunder Zähne). In der Analyse großer Datenmengen werden solche Unregelmäßigkeiten sichtbar, beispielsweise die überproportionale Behandlung bestimmter Zähne deutet auf eine Unregelmäßigkeit hin (Outlier Detection).
Publikationen:
van Capelleveen, G., Poel, M., Mueller, R.M., Thornton, D., & van Hillegersberg, J. (2016). Outlier detection in healthcare fraud: A case study in the Medicaid dental domain. International Journal of Accounting Information Systems, 21, 18-31. DOI: https://doi.org/10.1016/j.accinf.2016.04.001
Thornton D., van Capelleveen, G., Poel, P. van Hillegersberg, J, Mueller, R.M. (2014) Outlier-based Health Insurance Fraud Detection for U.S. Medicaid Data. In: Proceedings of the 16th International Conference on Enterprise Information Systems (ICEIS), Volume 2, SciTePress, Lisbon, 2014, 684-694.
Thornton, D., Mueller, R. M., Schoutsen, P. & van Hillegersberg, J. (2013) Predicting Healthcare Fraud in Medicaid: A Multidimensional Data Model and Analysis Techniques for Fraud Detection. Procedia Technology, Volume 9, p 1252-1264
Travaille, P., Mueller, R.M., Thornton, D., van Hillegersberg, J. (2011) Electronic Fraud Detection in the U.S. Medicaid Healthcare Program: Lessons Learned from other Industries. In: Proceedings of the 17th Americas Conference on Information Systems (AMCIS), Detroit, USA. 
Back to Top