Skip to content
ES 

SHARE:

Las aseguradoras de salud tienen el desafío de evitar una cantidad impresionante de casos de fraude, uso indebido y abuso de póliza. La tecnología actual promete simplificar este proceso, pero es primordial que las aseguradoras nutran estas herramientas con datos transparentes. Veamos las dificultades que encuentran y qué es necesario para que los datos puedan ser utilizarse..

Calidad de los datos de las Aseguradoras de salud

No importa de qué manera detecte el fraude su compañía, una cosa es segura: los resultados que obtenga serán tan buenos como lo sean los datos de los que proceden. En otras palabras, si utiliza datos de baja calidad, los resultados serán deficientes.

No es tarea sencilla el asegurarse de que los datos sean adecuados si tenemos en cuenta el número y las diversas fuentes de datos que se utilizan. De media, las aseguradoras de salud procesan siniestros que contienen una media de 30 a 38 servicios o asistencias por asegurados al año.[1] multiplicado este número por el de miembros y proveedores, más las fuentes de datos internas y externas que interactúan al procesar un siniestro, el volumen que se obtiene resulta apabullante. Por tanto, se necesita una gran cantidad de tiempo y esfuerzo para preparar los datos que servirán para detectar los siniestros fraudulentos.

Veamos con más detalle todas fuentes de datos:

  • Fuentes de datos internas. A menudo, las aseguradoras de salud obtienen información de varios sistemas heredados con el objetivo de detectar y evitar los casos de fraude, uso indebido y abuso de póliza. Además de confirmar las coberturas, pólizas, documentos y registros médicos, la compañía debe tener una visión completa sobre el proveedor que presta la asistencia médica o servicio.
  • Fuentes de datos externas. Es igualmente necesario extraer datos de fuentes externas, como redes sociales, registro de profesionales, datos de facturación, por nombrar algunos.
  • Datos estructurados y datos no estructurados. Todas las compañías generan y trabajan con una combinación de datos estructurados y datos no estructurados. Como su nombre indica, los datos estructurados se presentan en un formato ordenado (piense, por ejemplo, en la estructura de filas y columnas de una base de datos relacional). De esta manera, a los programas de software les resulta sencillo analizar estos datos. Por otro lado, están los datos no estructurados, que no presentan una organización consistente o definida. Entre los ejemplos de datos no estructurados se encuentran los mensajes de correo electrónico, las imágenes y los registros médicos. Para un programa de software resulta mucho más complicado comprender los datos que no presentan una estructura organizada. Y para hacerlo todo aún más difícil, más del 80 % de los datos de los seguros de salud se consideran datos no estructurados.

Pasar de los datos no procesados a los datos procesados

Además de agregar y estandarizar todos estos datos para que sean consistentes, la Compañía tiene que asegurarse de que los datos son precisos y útiles. Para ello se debe confirmar que las entidades son correctas y que los datos están completos. Estas comprobaciones son esenciales puesto que es fácil introducir en un sistema datos incorrectos, así como también falsificarlos de forma deliberada (como la fecha de nacimiento, por ejemplo).

Por experiencia sabemos, que preparar los datos para detectar casos de fraudes requiere una cantidad significativa de tiempo. De hecho, la mayoría de las empresas invierten alrededor del 80 % del tiempo en preparar datos para utilizar el modelo, y el 20 % del tiempo restante en diseñarlo y ponerlo en funcionamiento.

No obstante, el tiempo invertido en la preparación de los datos merece la pena. Cuantos más datos se aporten al modelo de detección del fraude, más amplios serán los resultados que se obtengan y más detallada la información. En Shift, nos hemos dado cuenta de que un programa efectivo de reducción del fraude, uso indebido y abuso de póliza con datos transparentes y precisos puede suponer una gran ayuda para su organización, dado que podrá:

  • Identificar un mayor número de casos de fraude, uso indebido y abuso de póliza.
  • Reducir las pérdidas ocasionadas por los casos de fraudes y pagos improcedentes.
  • Dar prioridad a los siniestros o asistencias legítimas.

Para obtener más información acerca de cómo Shift puede ayudarle a reducir los casos de fraude, uso indebido y abuso de póliza, visite nuestra página de soluciones Force para atención sanitaria.

[1] CMS.gov, Médicos/proveedores de Medicare: utilización, pagos de programas, reparto de costes y facturación de saldo para beneficiarios originales de Medicare, por tipo de derecho (años 2012-2017) (en inglés).