协作人工智能系统用于调查医疗保健索赔合规性

科学领域:

• 医疗信息学 医疗信息学
• 人工智能的人工智能
• 医疗保健政策分析 政策分析

背景情况:

• 医疗保健欺诈,浪费和滥用 (FWA) 造成了重大的社会成本.
• 传统的FWA检测方法,如手动审计和机器学习,具有限制,包括资源密度,需要标记数据和缺乏可解释性.
• 需要更有效和可解释的系统来识别不合规的医疗保健索赔.

研究的目的:

• 介绍Clais,这是一个协作的人工智能系统,旨在用于医疗保健索赔分析.
• 开发一个系统,自动从医疗保健政策文件中提取人类可解释的规则.
• 为了使医疗保健专业人员能够验证和完善这些规则,以便更好地检测违规行为.

主要方法:

• 克莱斯自动从医疗保健政策文件中提取规则,达到0.72 F1分.
• 一个直观的用户界面允许专业人员编辑和验证提取的规则.
• 该系统对索赔记录执行这些规则,以识别不符合要求的医疗保健索赔.

主要成果:

• 在识别不合规方面,Clais显著优于两个基线机器学习模型.
• 该系统在执行提取规则时获得了1.0的F1中位数 (IQR0.83至1.0).
• 在人体治愈后,F1得分的中位数仍然为1.0 (IQR为1.0至1.0),显示出高精度和可靠性.

结论:

• 克莱斯提供了一种强大且可解释的AI解决方案,用于检测医疗保健欺诈,浪费和滥用.
• 该系统简化并提高了医疗保健专业人员工作流程的有效性.
• 克莱斯展示了协作AI在提高医疗保健索赔分析的准确性和效率方面的潜力.