Remboursements à tort en assurance santé : Application des algorithmes de classification supervisée à la recherche de règlement en double
Auteur(s) LARDE Q.
Société Assurance du Crédit Mutuel
Année 2022
Confidentiel jusqu'au 16/12/2023

Résumé
Parmi les secteurs de l’assurance, la santé est celui qui correspond au plus grand volume de prestations. Afin de diminuer les coûts et la durée des traitements, la gestion des sinistres santé doit être rapide, ce qui peut conduire à des remboursements indus. Les automatisations nécessaires ont néanmoins des aspects positifs : elles permettent de collecter beaucoup de données. L’utilisation de la data collectée peut permettre de détecter des pertes d’argent liées à des paiements à tort. Pour être optimale, cette détection doit être effectuée a priori, autrement dit, avant tout remboursement. L’objectif du mémoire est de proposer des méthodes de détection des remboursements à tort et en particulier dans le cadre des remboursements effectués en double. Une base de données est construite pour des contrats, bénéficiaires, dates de soins et montant de frais réels égaux au niveau des lignes de soins. Le but est de prouver que des algorithmes de classification supervisée peuvent être appliqués à ce type de problème. L’utilisation d’indicateurs de performance dans le cadre des algorithmes de classification permet de sélectionner le modèle qui convient le mieux. L'algorithme sélectionné est appliqué tous les jours pour bloquer les paiements à tort de soins saisis la veille. En l’appliquant sur l’historique, un nombre important d’indus est détecté. Cela permet d’enrichir les solutions de détections a priori actuellement en place et d’estimer le risque lié à ces indus. Mots-clés : indus, doublons, doubles règlements, santé, machine learning, data science, apprentissage supervisé

Abstract
Among the insurance sectors, health accounts for the largest volume of benefits. In order to reduce the costs and duration of treatment, the management of health claims must be rapid, which can lead to undue reimbursements. The necessary automations have nevertheless positive aspects : they allow to collect a lot of data. The use of the collected data can detect money losses related to undue payment. To be optimal, this detection must be carried out a priori, in other words, before any reimbursement. The objective of the study is to propose methods of detecting undue payments and in particular in the context of duplicate payments. A database is built by contract, beneficiary, date of care and amount of actual costs at the level of the act of care. The aim is to prove that supervised classification algorithms can be applied to this type of problem. The use of performance indicators in classification algorithms help to select the most suitable model. The selected algorithm is applied daily to block wrongly entered care payments the day before. By applying it to history, a large number of indus is detected. This makes it possible to enrich the a priori detection solutions currently in place and to estimate the risk associated with these indus. Keywords : undue payments, duplicate payments, health insurance, machine learning, data science, supervised learning

Mémoire complet