Modele de lettre pour facturation abusive

L`examen de ces règles nous amène à la question politique. À quelle probabilité prévisible de fraude prenons-nous des mesures? Il s`agit d`une question importante, car le seuil de probabilité que nous sélectionnons aura un impact si le système est optimisé pour la sensibilité (détection) ou la spécificité (précision). La figure Figure66 montre une courbe de caractéristique de fonctionnement du récepteur (ROC) pour notre modèle de fraude. En examinant la figure Figure66 et en se concentrant sur les réticules, nous voyons que l`utilisation d`un seuil de 12,6 pour cent fournit une sensibilité de près de 70 pour cent, ce qui détecte plus des deux tiers de toutes les fraudes; Cependant, notre exactitude est médiocre (19 pour cent de faux positifs), et nous obtenons deux faux positifs pour chaque cas réel de fraude que nous détectons. Dans la figure Figure7, nous sélectionnons un seuil de 40 pour cent et optimiserons la précision (1 pour cent de faux positifs) avec très peu de faux positifs, mais nous ne détectons que 60 pour cent de la fraude. La valeur de la détection des 10% incrémentaux de la fraude paie-t-elle le coût de l`examen d`un grand nombre de faux positifs? Comment pouvez-vous élaborer une lettre de facturation appropriée et efficace pour les comptes en souffrance? Voici des exemples de lettres de chaque expéditeur de déclaration pour les patients avec des soldes supérieurs à $250,00. Si ceux-ci n`obtiennent aucune réponse, vous devez progresser pour explorer ce qu`il faut faire quand les patients refusent de payer. La modélisation des données et les techniques minières sont peut-être l`outil le plus précieux que l`Organisation puisse utiliser pour détecter la fraude et les abus. La modélisation des données et les techniques minières peuvent être utilisées pour identifier à la fois la fraude des consommateurs et la fraude des fournisseurs. Les deux types de fraude peuvent coûter des millions de dollars aux organismes de santé chaque année. L`avancement des programmes d`exploration de données et d`apprentissage automatique donne aux organismes de santé et aux prestataires la capacité de prédire les fraudes et les abus potentiels. Les technologies d`exploration de données automatisées permettent à l`organisation d`obtenir des informations précieuses et de détecter les modèles dans les données sans biais prédéterminé. Des algorithmes statistiques peuvent être utilisés pour identifier les tendances générales ou les schémas de transactions suspectes dans les ensembles de données de soins de santé.

Une préoccupation majeure des médecins dans l`utilisation de la modélisation des données et des techniques minières est qu`ils seront injustement accusés de fraude. L`un des principaux avantages de l`approche d`exploration de données est que les algorithmes résultants peuvent être testés, validés et optimisés pour un niveau optimal de sensibilité et de spécificité qui excluront les modèles d`utilisation normale. Éduquer les médecins à comprendre que la modélisation des données et l`exploitation minière aidera à atténuer les soupçons de fraude et d`abus devrait aller un long chemin à répondre à leurs préoccupations. Afin de traiter adéquatement les questions de fraude et d`abus, la responsabilité, la propriété et les conséquences pour les actions doivent traverser le continuum au niveau du médecin, du fournisseur de soins de santé, de l`organisation et du fédéral.

Trackback from your site.