健康保险欺诈可能被证明是由于阿片类传染病尤其紧迫，因此路由欺诈行为可能在未来几年成为更加重要。
在这篇文章中，我们将探讨的基于AI欺诈检测软件覆盖的四个供应商的产品和评估其团队AI的经验和成功的证据，他们的案例提供给健康保险公司。
- 本公司使用异常检测提供索赔欺诈检测到保险供应商。他们声称他们的软件允许其过程的透明视图;这么说，透明程度还不清楚。
- SAS还提供索赔欺诈检测软件，但他们的企业数据挖掘解决方案还可以在各个部门的商业智能利用数据。SAS声称该软件可以创建基于数据交互的预测模型。SAS用途预测分析在客户端系统中发现欺诈性索赔。
- H2O.ai提供一个开源的机器学习平台，他们声称可以帮助医疗保险公司为医疗索赔创建欺诈检测软件。
- 律商联讯像SAS，使用预测分析来检测医疗保险欺诈行为。但是，它们的解决方案是据称能够通过从不同的和经常未知源的数据梳理。这些措施包括社交媒体互动和医务人员和患者之间过去的熟人。他们声称该软件可以检测出较高的风险，如果一个供应商和患者了解对方，被怀疑或有欺诈的历史。
我们将从一些关于健康保险公司欺诈检测状态的见解开始:
AI对健康保险欺诈检测 - 深入分析了前面
接下来到SAS，H2O.ai具有的AI人才对自己的球队最高的密度。它还具有比Friss更多的风险资金。这些其实都是使用机器学习技术的良好指标。他们没有列出任何医疗保险的案例研究，但他们强调注重医疗保健和为行业的技术要求。
律商联讯的解决方案提供了从数据分析独特的优势，如发现医疗人员之间的关系，以及他们使用的数据科学家和工作人员的背景AI。
Friss比H2O.ai经费少，我们只能发现在其LinkedIn个人资料的AI背景五个数据科学家。每个数据科学家是在2016年雇用或更高版本，他们不列出以前与AI的专业经验。
SAS和水。人工智能最有可能利用机器学习。这在H2O中是显而易见的。ai的风险投资，以及他们强大的ai人才名单。LexisNexis很可能也会使用人工智能，因为他们有许多受过教育的人工智能员工。然而，他们没有很多拥有人工智能或计算机科学博士学位的员工。在这份报告中，Friss是唯一一家在软件中实际使用人工智能的机会较低的公司。尽管他们从2006年就开始工作了，但他们的数据科学家都是人工智能领域的新手，可能是在公司的软件开发出来后才开始工作的。
我们开始探索基于人工智能的医疗保险欺诈检测与Friss:
本公司
本公司提供了一个同名的软件它声称能帮助什么医疗保险公司检测甚者使用预测分析。
Friss的解决方案使用各种技术来检测新的欺诈方法收集数据。这些措施包括文本挖掘，图像筛选，地理测绘，和社交媒体分析。
该公司声称，他们的软件提供的一个原因可能要求被标记为欺诈行为的详细视图。Friss称此为“可解释人工智能”，因为机器学习软件通常不是透明的它是如何产生的输出。这被称为AI的“黑匣子”，这是在医疗保健领域的特殊挑战。我们在对文章进一步讨论了“黑匣子”人工智能和机器学习的区别。
很可能Friss的机器学习模型是从几十万份保险索赔数据中训练出来的——在这个例子中，是健康保险索赔。这些欺诈性的索赔需要被贴上此类标签。然后，开发人员将通过机器学习算法运行数据，有效地训练软件识别与欺诈性医疗保险索赔相关的数据点。欺诈行为。
客户公司可以再部署Friss’软件，算法将能够为他们进入他们的系统，以纪念索赔为欺诈。这些债权将继续训练的机器学习算法，因为员工可以接受或拒绝它在萎靡不振的某些索赔。通过这种方式，因为它运行的软件能够适应新的欺诈方法。
本公司声称有帮助阿纳多卢·西格塔(Anadolu Sigorta)通过减少欺诈性索赔来省钱。阿纳多卢Sigorta集成本公司”软件集成到其系统来的索赔，这样他们可以通过软件运行。
根据案例研究，阿纳多卢·西格塔在付款前发现欺诈索赔，从而节省了560万美元。它还指出，他们能够自动化索赔过程，并实现一个称为直通处理的模型。这是通过自动填充重复数据点来处理索赔的情况，因此索赔不需要在各方之间来回移动。
下面是详细Friss阿纳多卢Sigorta与软件成功的一个简短的视频：
本公司还列出了Folksam作为一个他们过去的客户。
吉荣Morrenhof是首席执行官在本公司。他持有博士在商业信息系统从阿姆斯特丹大学。先前，Morrenhof担任一个投资者在Wonderflow。
SAS
SAS提供了软件称为SAS企业矿工该公司表示，这可能会有所帮助医疗保险公司检测欺诈索赔并在其企业数据中查找可能有用的信息使用预测分析。
该公司称，Enterprise Miner中使用客户端公司的数据存储找保险公司理赔，骗取，欺诈战术的例子，以检测他们，因为他们进入系统。SAS还声称，该软件可以使用企业数据基于连接到给定的数据点变量，以使可能的诈骗案件机型。例如，如果用户想测试甚者多久是低于100 $数额，他们可以测试对“价格”变量“欺诈”的变量。
Enterprise Miner背后的机器学习模型可能需要根据数千份医疗保险索赔数据进行培训。每一个欺诈性或可疑的索赔都将被标记为这样，然后员工可以将机器学习算法暴露给这些标记的索赔。这将训练算法识别哪些数据点与合法的、可疑的或欺诈的索赔相关。
然后，该软件可以让预测哪些索赔将被证明是欺诈性的，或至少可疑。但是，如果新的欺诈方法发现了企业外部，例如从网上或口耳相传，用户可根据需要上传关于这些新方法引入事先的软件的信息。
下面是一个简短的7分钟的视频片段SAS企业矿工是如何工作的。视频介绍了创建和使用预测模型的过程。在视频的车型使用的例子话题，但相同的原理可以应用于欺诈检测。视频结构如下：
- 0:00-选择数据点和变量，并审查数据
- 三点-检查目标变量与其他变量的相关性，并创建模型
- 4:05-结果和如何阅读预测模型
- 5:19- 使用多种模式并行
SAS声称有帮助牙科保险公司DentaQuest减少欺诈并从他们的营销活动，提高投资回报率。根据案例研究，DentaQuest能够识别超过50个客户的行动或他们的索赔数据中的欺诈链接的行为模式。
SAS还列出了CZ和Highmark健康作为一些他们过去的客户。
吉姆,晚安是SAS的CEO。他持有博士在统计从北卡罗莱纳州立大学。自1976年以来一直晚安与SAS合作。
H2O.ai
H2O.ai提供了一个同名的机器学习平台它声称能帮助什么科技公司和医疗服务提供商创造自己的人工智能软件使用机器学习。他们还提供所谓的无人驾驶AI自动化机器学习平台。该平台的版本，列车本身和其自身的发展特点。H2O.ai声称，他们的主要焦点在医疗保健行业之一，他们有帮助开发AI医疗保健解决方案的目标。
该公司表示，医疗保险欺诈检测是其平台能够提供的一些发展的解决方案之一。H2O.aialso claims there is an opportunity for insurance providers to detect fraud before claims are paid, similar to Friss’ software.
客户从H2O.ai机器学习模型创建AI软件可以通过编程索赔到软件的精梳，同时他们训练过去的索赔数据模型的机械过程。客户端可以使用的H2O.ai的平台，无论是建立一个机器学习模型的具体使用情况。
为了使用户能够建立自己的业务用例，在这种情况下，将索赔欺诈检测机器学习模型，它可能会需要成千上万的数据点进行训练。这些数据点可以从几十万的医疗保险索赔的，例如。有些索赔将被标记为欺诈或可疑，机器学习模型会越来越认识到这个标签随着时间的推移。
然后，用户必须将机器学习模型暴露给这些标记的声明。这个过程将在一定程度上训练算法，以确定哪些索赔具有较高的欺诈概率。
然后客户公司可以部署H2O。人工智能的人工智能软件，以及该算法将能够标记欺诈交易，因为它们出现在该公司的系统。这些声明将继续培训该软件的算法，因为员工会对某些标志进行反馈。如果员工在软件标记为欺诈的索赔中找不到任何错误，他们可以拒绝软件的通知。这将使该软件能够发现新的欺诈方法和在运行过程中不会引起怀疑的异常情况。
下面是H2O.ai的网站上撷取画面。它显示了一起在笔记本电脑上的示例数据的科学实验的AI平台的功能。H2O.ai的无人驾驶平台，在这里所描述的，也可用于开发欺诈检测软件。
H2O.ai没有列出任何案例研究显示医疗保险提供商的成功与软件。
H2O.ai还列出了Kaiser Permanente作为一个他们过去的客户。
阿诺蜡烛是的CTOH2O.ai。他持有苏黎世联邦理工学院计算物理学博士。先前，蜡烛担任技术人员的高级成员在晴空塔公司。
律商联讯
律商联讯提供了关系映射软件该公司表示，这可能会有所帮助医疗保健计划网络发现和医疗服务提供者中的欺诈调查使用预测分析。
关系映射据称收集，以便找到与诈骗有关的行为模式和客户公司内识别风险的人来自各种来源的数据。LexisNexis公司声称，该软件还使用了他们所谓的“关系数据”，或数据可疑的社会群体，连接或与客户，患者，员工或客户的医疗保健计划网络内的相关背景。这允许客户识别的关系，可能是欺诈行为的根源。
例如，如果一个客户，一个员工都知道本人有犯罪历史，涉及处方药，该软件可以能够识别与社交媒体和客户档案数据的个人关系。一旦关系被确认后，软件将标志着这些个人与欺诈的风险更高，更加如此接近对方时。
我们可以推断出律商联讯机器学习模型背后的关系映射软件上大量来自各种来源的数据的训练。这些措施包括医疗赔付，有关医疗保健计划网络内的各个医疗服务提供商，客户和员工的个人资料，商家运营数据和关系数据。
所有这些数据中的欺诈点或可疑点将被标记为这样，然后所有数据将通过机器学习算法运行。当该算法暴露于大量数据时，它将被有效地训练，以识别哪些数据点与医疗计划网络中更高的欺诈风险相关。
所有这些类型数据的特定数据点可能不会马上浮现在脑海中。例如，对类似事故的重复医疗索赔可能是欺诈或欺诈的前兆。如果客户网络中的医疗服务提供商有成功欺诈企图的历史，或者员工有欺诈行为，那么系统培训人员也需要将其列为可疑。
员工和客户的个人资料中会列出一些相关人员的背景信息，这些信息可能会让你了解过去的犯罪记录或处方药问题。业务运营数据的范围从损益数据到特定时间段内记录的浪费量。最后，人际关系数据可能来自社交媒体、电子邮件数据，或者关于他们工作或上学地点的信息。
然后，该软件可以预测在客户端的网络欺诈的部分是最有可能发生的。这将加重的危险因素在相互由供应商组织的，高风险的供应商中，可以显示在最高风险的个人或业务领域。然而，这可能意味着管理层或数据科学家将在运行软件之前，包括最近发现舞弊或新员工和客户数据上传到系统中。
下面是一段2分钟的视频，解释了LexisNexis关系映射的工作原理，重点介绍了该软件的可疑地址模块:
律商联讯声称有帮助大健康计划从不同的数据类别之间先前未确认的关系，发现供应商的欺诈行为。客户公司加入律商联讯关系映射软件到他们的欺诈检测过程，使他们能够从多个来源聚合他们的数据。
这些措施可能包括医疗保健机构，医疗赔付，他们对在药房级别个体之间的关系的任何信息。根据该案例研究，客户COMPAny确定了供应商欺诈和更具体的案件需要深入调查。
该公司的SIU发现，被吊销执照的供应商仍在开处方药，而且供应商还为自己开假药。但是，应该指出的是，客户端没有点名提到。
律商联讯该公司没有将任何大型医疗保险公司列为客户，但它们已经筹集了3000万美元的风险资本，并得到了Schoolhouse Partners和WR Hambrecht的支持。
杰夫Reihl是执行副总裁在律商联讯。他持有女士在计算机科学从约翰·霍普金斯大学。先前，Reihl担任在Truven健康，前身为汤姆逊医疗解决方案的执行副总裁。
有兴趣的读者也可以阅读我们的报告，AI的合理医疗费用法案（ACA）管理。
标题图片来源:黑暗网络新闻
