Προβληματισμός για ασφαλιστικές απάτες στον τομέα Υγείας, επικρατεί στην ασφαλιστική αγορά.
Τη σοβαρότητα του θέματος για την ασφαλιστική βιομηχανία ανέδειξε ο Γιάννης Καντώρος διευθύνων σύμβουλος της INTERAMERICAN και Πρόεδρος της Επιτροπής Ασφαλίσεων Υγείας της Ένωσης Ασφαλιστικών Εταιρειών Ελλάδος.
Ο κ. Καντώρος τόνισε ότι, στην προσπάθεια για την αντιμετώπιση του προβλήματος, η εξέλιξη της τεχνολογίας προσφέρει σημαντικά εφόδια τα οποία -εφ’ όσον χρησιμοποιηθούν σωστά- μπορούν να οδηγήσουν σε λύσεις και να βοηθήσουν τους δημόσιους και ιδιωτικούς οργανισμούς να ελαχιστοποιήσουν τις απώλειές τους.
Όπως είπε, η σωστή πρόσβαση και χρήση δεδομένων, καθώς και η σχεδίαση και υλοποίηση εξελιγμένων αλγορίθμων μηχανικής μάθησης, παρέχουν τη δυνατότητα στις επιχειρήσεις να εκτιμήσουν πιθανά προφίλ που θα μπορούσαν να προκαλέσουν απάτη. Κάποια από τα πλεονεκτήματα που προσφέρουν οι αλγόριθμοι για την αντιμετώπιση της ασφαλιστικής απάτης είναι η αυτοματοποίηση, η ακρίβεια της πρόβλεψής τους και η επεκτασιμότητά τους. Ο συνδυασμός των εν λόγω εξελιγμένων στατιστικών τεχνικών με τις πιο παραδοσιακές ασφαλιστικές τεχνικές αντιμετώπισης, όπως είναι η ανάληψη κινδύνων και η διαχείριση ζημιών, δημιουργεί ένα σημαντικό πλέγμα προστασίας και προσφέρει στους ασφαλισμένους καλύτερες και πιο ασφαλείς λύσεις.
Τρόποι εκδήλωσης της απάτης
Ο Γιάννης Καντώρος διέκρινε δύο κατηγορίες προέλευσης της απάτης:
• από τους ασφαλιζόμενους, οι οποίοι ενδέχεται να μη δώσουν πραγματικά στοιχεία για την κατάσταση της υγείας τους κατά την αίτηση είτε κατά την αποζημίωση, υποβάλλοντας στοιχεία για ιατρικές πράξεις διαφορετικές από αυτές που πραγματοποιήθηκαν και δεν καλύπτονται και αφ’ ετέρου,
• από τους παρόχους υπηρεσιών -νοσοκομεία και ιατρούς- που ενδέχεται να κοστολογήσουν με υπερβολικές τιμές θεραπεία ή φάρμακο, να χρεώσουν για τις ιατρικές υπηρεσίες που δεν εκτελούνται πραγματικά, να χρεώσουν ως ξεχωριστή θεραπεία κάθε στάδιο μιας ιατρικής διαδικασίας ή να πραγματοποιήσουν πιο ακριβές ιατρικές υπηρεσίες.
Για την αντιμετώπιση της απάτης, μέσω των data science και data mining τεχνικών που περιλαμβάνουν στατιστικές και μαθηματικές μεθόδους, τεχνητή νοημοσύνη και τεχνικές μηχανικής μάθησης, εξάγονται και εντοπίζονται χρήσιμες πληροφορίες από δεδομένα μεγάλου όγκου απαιτήσεων, χωρίς την παρέμβαση του ανθρώπινου παράγοντα. Για να γίνει η μετάβαση σε αυτές τις πιο εξελιγμένες τεχνικές η ύπαρξη, χρησιμοποίηση και αξιοποίηση των διαφορετικών πηγών δεδομένων είναι πολύ σημαντική. Ειδικά στον τομέα της Υγείας, όπου τα δεδομένα είναι αρκετά ευαίσθητα και ποικίλουν με βάση την εκάστοτε νομοθεσία που διέπει κάθε χώρα, θα πρέπει να βρεθούν λύσεις για την πιο σωστή και έγκαιρη χρησιμοποίησή τους. Άλλωστε, η αξιοπιστία και η προβλεπτική ικανότητα ενός machine learning αλγορίθμου βασίζεται στην ποιότητα και πολυπλοκότητα των δεδομένων που θα χτιστεί.
Τα παραπάνω ειπώθηκαν από τον κ. Καντώρο σε ομιλία του κατά την επιστημονική ημερίδα που οργάνωσαν πρόσφατα τα ακαδημαϊκά τμήματα Οργάνωσης & Διοίκησης Επιχειρήσεων και Στατιστικής & Ασφαλιστικής Επιστήμης» του Πανεπιστημίου Πειραιώς, υπό την αιγίδα της Ε.Α.Ε.Ε. και του Συνδέσμου Ελλήνων Μεσιτών Ασφαλίσεων, με θέμα «Data Analytics and Machine Learning for Insurance Fraud Detection».