Stageopdrachten Zilveren Kruis

Transcriptie

1 Stageopdrachten Zilveren Kruis Opdracht 1: Subgroup Discovery -> regionale analyse 2 Opdracht 2: Profiling: wie zijn de fraudeurs? 4 Opdracht 3: Modelleren van Risico s in een Bayesian Network 5 Opdracht 4 : Toepassingen van Propensity scores 6 Bij interesse kun je je brief en cv per sturen naar: Peter van Overveld Manager BI Analyse & Rapportage E: peter.van.overveld@zilverenkruis.nl 1

2 Opdracht 1: Subgroup Discovery -> regionale analyse Subgroup Discovery gaat over het vinden van nieuwe onbekende patronen in data. In dit geval zijn wij ge-interesseerd in regionale afwijkingen in declaratiegedrag- die we graag automatisch willen detecteren. Extra interessant van geografische afwijkingen is het feit dat je ook kunt in-en uitzoomen op verschillende niveaus : van provincie tot postcode en straatnaam niveau. Grafiek: zorgkosten per oudere in Nederland. 2

3 De stage bestaat uit: - Literatuuronderzoek naar wat er bestaat aan regionale-spiegelmethoden (zie bijvoorbeeld Vektis, Darthmour Atlas (VS), zie boven). - Het implementeren van deze regionale-spiegelmethode in een macro. - Het ontwikkelen en implementeren van een intelligente zoekmethode die (regionaal) op zoek gaat naar afwijkende patronen. Het liefst een zoekmethode met automatische in-en uitzoom functionaliteit. Die ook zorgaanbieders er bij betrekt. - Het visualiseren van deze resultaten. 3

4 Opdracht 2: Profiling: wie zijn de fraudeurs? Fraude-meldingen en Materiële Controles leiden soms tot terugvorderingen omdat er onrechtmatigheid in de declaraties worden geconstateerd. Vaak wordt zo n analyse periodiek herhaald. Waar echter minder zicht op is, zijn de kenmerken van de daders. In welke gevallen leidt een controle wel tot een terugvordering, en wanneer niet? Kunnen we (aan de hand van kwantitatieve en kwalitatieve informatie een risico-profiel opstellen? Hoe zou zo n profiel vervolgens gebruikt kunnen worden? Doel van de stage: 1. Literatuurstudie naar profiling dmv data analyse in combinatie met kwalitatieve factoren (gevoel van inkopers en controle specialisten). 2. Het ontsluiten en verzamelen van data: zowel de fraude-database als de algemene database met resultaten van controles. 3. Het opstellen van een risico-profiel aan de hand van indicatoren en eigenschappen van verzekerden en zorgverleners. Hoe combineren we data analyse met kwalitatieve informatie in 1 model? 4. Aanbevelingen hoe dit risico-profiel te gebruiken binnen een analyse, of binnen een ranking. 4

5 Opdracht 3: Modelleren van Risico s in een Bayesian Network Als zorgverzekeraar benoemen we risico s die we vervolgens gaan onderzoeken. Een risico is iets wat fout kan gaan in declaraties. Neem bijvoorbeeld het risico van feitelijke levering. Dit houdt het risico in dat een verzekerde een behandeling niet heeft ontvangen, terwijl er wel een declaratie heeft plaatsgevonden. Of het risico er is geen verwijsbrief aanwezig, en toch heeft een levering plaatsgevonden. Beide zien wij niet direct terug in de data, en kunnen we niet direct controleren. Het daadwerkelijke risico is soms anders dan wat we kunnen meten in de data. In het geval van feitelijke levering is dit niet 100% vast te stellen uit data alleen. Er kunnen wél factoren zijn die het onwaarschijnlijk maken dat de levering heeft plaatsgevonden. Veel van deze factoren bij elkaar zijn dan wellicht een reden tot controleren. Neem bijvoorbeeld bij feitelijke levering de factoren :1.een farmacie-declaratie vond plaats op koningsdag, én 2. de verzekerde is al een half jaar niet naar de huisarts geweest. Meerdere factoren kunnen zo optellen tot een verdachte declaratie. Bayesian Networks zijn een manier om deze factoren bij elkaar te voegen in een model en zo declaraties te scoren. Het voordeel van bayesian networks is dat je niet altijd data nodig hebt, de invloed van een factor kan ook door domein-experts worden vastgesteld. Doel van de stage: - Het programmeren van een Bayesian Network waarin domeinkennis kan worden vertaald in een model, zodat dit ook hergebruikt kan worden voor andere analyses. - Het modelleren van enkele praktijk-cases (risico s) in de vorm van een Bayesian Network - Het updaten van het netwerk aan de hand van resultaten uit controles. 5

6 Opdracht 4 : Toepassingen van Propensity scores Propensity scores kun je gebruiken om te corrigeren voor confounders (leeftijd, geslacht etc),. Ook kun je ze gebruiken voor het matchen van patiënten met dezelfde kenmerken in dezelfde groep. Gematchte groepen maken het mogelijk om verschillen in gemeten waarden tussen (gematchte) patiëntgroepen overzichtelijk weer te geven. Propensity score Een propensity score is de kans op een behandeling of blootstelling, gegeven gemeten confounders zoals leeftijd, geslacht, etc. Propensity-scoremethoden kunnen in observationeel onderzoek corrigeren voor gemeten confounders, maar niet voor ongemeten confounders. Groepen personen met dezelfde propensity-score zijn gemiddeld genomen vergelijkbaar ten aanzien van gemeten confounders. Correctie voor confounding met de propensity-score kan door stratificatie, door matching, door de propensity-score als co-variabele op te nemen in een multivariabel regressiemodel en door het wegen van de onderzoekspopulatie op basis van de propensity-score. Propensity-scoremethoden kunnen doorgaans voor meer confounders corrigeren dan andere methoden, vooral wanneer de onderzochte uitkomst weinig voorkomt. Doel van de stage: Het toepassen van verschillende propensity score methoden in doelmatigheid analyses en spiegelinformatie Het ontwikkelen van SAS macro s voor: Het uitrekenen van de propensity score, voor zowel twee groepen als veel groepen. Propensity score matching Propensity score stratificatie Openstaande vraag: hoe kunnen we statistische inferentie doen met behulp van de propensity score, met andere woorden: iets zeggen over de significantie van het gemeten verschil. Eventueel extra: Het ontwikkelen van een dashboard waarin de propensity score wordt toegepast. 6