Zusammenfassung
Im Gesundheitswesen belaufen sich die Betrugskosten auf circa 5,6 Prozent, die Tendenz ist weiter steigend (Neuber 2011). Für Deutschland würde dies im Jahr 2014 etwa 18,3 Mrd. Euro an Betrugskosten bedeuten (Statistisches Bundesamt 2016). Steigende Krankenversicherungsbeiträge und eine neue Auffassung von gesetzlicher medizinischer Grundversorgung sind die Folgen. Es handelt sich bei Abrechnungsbetrug um eine besonders sozialschädliche Form der Wirtschaftskriminalität, da die Integrität des Gesundheitswesens insgesamt negativ beeinflusst wird (Bundeskriminalamt 2004). Zudem stehen Krankenversicherungen in einer dynamischen Umwelt und bei stetig steigendem Konkurrenzdruck vor der Herausforderung ihre Kosten zu senken. Die Abrechnungsdatensätze der Ärzte unterliegen regelmäßiger Änderungen und werden zunehmend komplexer. Dies führt dazu, dass es für die Rechenzentren der Krankenversicherungen zunehmend schwieriger sein wird, Informationen zur Aufdeckung von Abrechnungsbetrug zu extrahieren. Data-Mining zählt zu den Analysemethoden von Business Analytics und wird zur Mustererkennung in großen Datenbeständen verwendet. Die vorliegende Arbeit liefert einen Erkenntnisbeitrag zu Umsetzungsmöglichkeiten eines Fraud-Detection-Systems, auf Basis einer Data-Mining-Assoziationsanalyse.
Abstract
The health care fraud costs in Germany totaled 21 bn euro in 2014 (Statistisches Bundesamt 2016) and the numbers continue to grow. Rising health care contributions and a new view with regard to basic medical care are the consequences. From the the German Federal Criminal Office point of view, accounting fraud is a socially harmful conduct. At the same time, health insurances face the challenge to reduce their costs. The accounting data from medical doctors are subjected to continuous change and become increasingly complex. Due to this, it becomes more difficult to extract useful information out of this enormous volume of data. Data-mining is part of the analysis methods of business analytics and is used to pattern recognition. The intention of this paper a new contribution to implementation possibilities of a fraud-detection-system that is based on data-mining-association-analysis.
Literatur
Association of Certified Fraud Examiners (2015) What is Fraud? http://www.acfe.com/fraud-101.aspx. Zugegriffen: 4. November 2016
Bollinger T, (1996) Assoziationsregeln – Analyse eines Data Mining Verfahrens. Informatik-Spektrum 19(5):257–261
Baesens B, Van Veronique V, Verbeke W (2015) Fraud analytics using descriptive, predictive, and social network techniques: a guide to data science for fraud detection. John Wiley & Sons, Hoboken
Bundeskriminalamt (2004) Bundeskriminalamt: Bundeslagebild Wirtschaftskriminalität. http://www.bka.de/nn_193376/SharedDocs/Downloads/DE/Publikationen/JahresberichteUndLagebilder/Wirtschaftskriminalitaet/wirtschaftskriminalitaetBundeslagebild2004.pdf. Zugegriffen: 4. November 2016
Chen MS, Han J, Yu P (1996) Data-mining: an overview from database perspective. IEEE Trans Knowl Data Eng 6(8):866–883
Cressey D (1973) Other people’s money. Patterson Smith, Toronto
Düsing R (2010) Knowledge Discovery in Databases-Begriff, Forschungsgebiet, Prozess und System. In: Chamoni P, Gluchowski P (Hrsg) Analytische Informationssysteme. Business Intelligence-Technologien und -Anwendungen, 4. Aufl. Springer, Heidelberg, S 281–306
Ebbers M, Chintala D, Ranjan P (2015) Sreenivasan Lakshminarayanan: Realtime Fraud Detection Analytics on IBM System z. http://www.redbooks.ibm.com/redbooks/pdfs/sg248066. Zugegriffen: 01.08.2015
Fayyad U, Piatetsky-Shapiro G, Smyth P (1996) The KDD process for extracting useful knowledge from volumes of data. Commun ACM 39(11):27–34
Frawley W, Piatetsky-Shapiro G, Matheus C (1992) Knowledge discovery in databases. AI Mag 13:57–70
GEVKO (2015) Gebührenordnung (GO). http://www.gevko.de/de/s3c/gebuehrenordnung/. Zugegriffen: 4 November 2016
Goram M (2016) Assoziationsanalyse. http://www.datenbanken-verstehen.de/lexikon/assoziationsanalyse/. Zugegriffen: 10. November 2016
Hansen HR, Mendig J, Neumann J (2015) Wirtschaftsinformatik. Springer, Heidelberg
IWD (2010) Zur Aufdeckung von Unregelmäßigkeiten im Rahmen der Abschlussprüfung. IDW, Düsseldorf
Kassenvereinigung Bayern (2014) Honorarumsatz aus vertragsärztlicher Tätigkeit in Bayern. https://www.kvb.de/fileadmin/kvb/dokumente/Praxis/Honorar/Analyse-Statistik/KVB-HON-Umsatzstatistik-4-2013.pdf. Zugegriffen: 4. November 2016
Li J, Huang KY, Jin J, Shi J (2008) A survey on statistical methods for health care fraud detection. Health Care Manag Sci 11(3):275–287
Neuber, Harald (2011) Abrechnungsbetrug im Gesundheitswesen: Die Staatsanwaltschaft ermittelt immer häufiger. http://www.aerzteblatt.de/archiv/97265. Zugegriffen am 12. Dezember 2016
Ngai EW, Hu Y, Wong YH et al (2011) The application of data mining techniques in financial fraud detection: a classification framework and an academic review of literature. Decis Support Syst 50(3):559–569
Nimwegen S (2009) Vermeidung und Aufdeckung von Fraud. Eul, Lohmar
PricewaterhouseCoopers (2012) Abrechnungsbetrug im Gesundheitswesen. https://www.pwc.de/de/gesundheitswesen-und-pharma/assets/pwc-studie-zeigt-handlungsbedarf-fuer-krankenversicherungen.pdf. Zugegriffen: 4. November 2016
SAP (2016) SAP fraud management. http://go.sap.com/product/analytics/fraud-management.html. Zugegriffen: 4. November 2016
SAS (2016) Mit den richtigen Daten gesund in die Zukunft Unternehmensweite strategische Planung und Steuerung mit SAS. http://www.sas.com/de_ch/customers/tk-planung.html. Zugegriffen: 4. November 2015
Spaggiari J, O’Dell K (2016) Architecting HBase applications. O’Reilly Media, Sebastopol
Statistisches Bundesamt (2016) Gesundheitsausgaben im Jahr 2014 bei 328 Milliarden Euro Pressemitteilung Nr. 080. https://www.destatis.de/DE/PresseService/Presse/Pressemitteilungen/2016/03/PD16_080_23611.html. Zugegriffen: 12. Dezember 2016
Tan PN, Kumar V, Srivastava J (2004) Selecting the right objective measure for association analysis. Inf Syst 29(4):293–313
Ye N (2013) Data mining: theories, algorithms, and examples. CRC Press, Boca Raton
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
About this article
Cite this article
Könsgen, R., Stock, S. & Schaarschmidt, M. Fraud-Detection im Gesundheitswesen: Data-Mining zur Aufdeckung von Abrechnungsbetrug. HMD 54, 146–155 (2017). https://doi.org/10.1365/s40702-016-0278-x
Received:
Accepted:
Published:
Issue Date:
DOI: https://doi.org/10.1365/s40702-016-0278-x