Graphen- und Netzwerkanalyse zur Betrugserkennung in der Krankenversicherung

Abstract

Durch Versicherungsbetrug entsteht in der Versicherungswirtschaft jährlich ein großer finanzieller und reputativer Schaden. Dabei ist der Nachweis von Versicherungsbetrug oft nur sehr schwer bzw. unter hohem Aufwand möglich. Methoden, die das Aufspüren von betrügerischem Verhalten erleichtern sind deshalb sehr gefragt. Diese Arbeit beschäftigt sich konkret mit Versicherungsbetrug in der gesetzlichen Krankenversicherung. Studien zufolge sind dort vor allem Dienstleister des Gesundheitsbereichs die Haupttäter. Das in dieser Arbeit vorgestellte Modell, versucht mit Hilfe von Graphen- und Netzwerkanalyse betrügerisches Verhalten von Anbietern ausfindig zu machen. Im Modell wird ein zu untersuchender Anbieter mit jenen verglichen, die bereits dem Versicherungsbetrug überführt worden sind. Der Vergleich bezieht sich neben dem Verschreibungsverhalten von Medikamenten und Behandlungen auch auf den Standort eines Anbieters. Gleichzeitig wird der Vergleich aber auch mit Anbietern durchgeführt, die noch aktiv an der gesetzlichen Krankenversicherung teilnehmen. Die so gewonnenen Ähnlichkeiten dienen als Eingabewerte für verschiedene binäre Klassifikationsalgorithmen. Diese ermitteln für einen zu untersuchenden Anbieter, ob dieser ein verdächtiges Verhalten aufweist. Ziel dieser Arbeit ist es, das Modell zu erörtern und die dazugehörige Theorie durchzuarbeiten. Im praktischen Teil wird anschließend die Performance der drei binären Klassifikationsalgorithmen Entscheidungsbaum, Random Forest und neuronales Netzwerk miteinander verglichen. Außerdem werden verschiedene Ähnlichkeitsmaße verwendet, um so eine optimale Konfiguration für diese Anwendung zu finden. Als Resultat hat sich gezeigt, dass ein neuronales Netzwerk zusammen mit der verbesserte Wurzel-Kosinus-Ähnlichkeit das beste Ergebnis liefert. In der Praxis kann dieses Ergebnis als eine Vorauswahl von Anbietern verwendet werden, bei denen es sich lohnt, genauere Nachforschungen anzustellen.

Insurance fraud causes great financial and reputational damage in the insurance industry every year. At the same time, the detection of insurance fraud is often very difficult or requires a great deal of effort. Methods that facilitate the detection of fraudulent behavior are therefore in great demand. This master thesis deals specifically with insurance fraud in the federal health insurance sector. According to studies, service providers are the main perpetrators. The model presented in this thesis, attempts to detect fraudulent behavior of providers using graph and network analysis. In the model, a provider under investigation is compared to those who have already been convicted of insurance fraud. The comparison is based on a providers location in addition to prescribing behavior for medications and treatments. At the same time the comparison is also made with providers who are still actively participating in the public health insurance system. The similarities thus obtained serve as input values for various binary classification algorithms. These determine for a provider under investigation whether it exhibits suspicious behavior. The aim of this paper is to discuss the model and to work through the associated theory. In the practical part, the performance of the three binary classification algorithms decision tree, random forest and neural network is then compared. Furthermore, different similarity measures are used in order to find an optimal configuration for this application. As a result, it has been shown that a neural network together with the improved sqrt-cosine similarity gives the best result. In practice, this result can be used as a preselection of providers where it is necessary to do more detailed research.