كشف ارجاع منفعت طلبانه بين پزشك و داروخانه مبتني بر شبكه كاوي

Discovering Self-referral between Doctors and Pharmacists Based on Network Mining

قدمه: سازمان بيمه سلامت، بخش مهمي از هزينههاي درمان جامعه را پرداخت ميكند. شركتهاي بيمه عمدتاً از افراد خبره براي رسيدگي به اسناد بهره ميبرند كه با توجه افزايش تعداد اسناد و محدوديت زمان و منابع انساني، رسيدگي دقيق به اسناد تقريباً غير ممكن است و از آن مهمتر بعضي از تخلفات از روي يك سند قابل شناسايي نيست، بلكه با تجميع اسناد و تحليلهاي هوشمند مبتني بر دادهكاوي قابل شناسايي است. كشف ارجاع منفعتطلبانه كه در آن پزشك، بيمار را به داروخانه خاصي كه در آن منافع دارد ارجاع ميدهد، يكي از اين موارد است. روش بررسي: در اين پژوهش با استفاده از دادههاي بيمه سلامت استان تهران تا سال 1396 هجري خورشيدي انبارهداده تهيه شد و پس از حذف دادههاي پرخطا، بر اساس روشهاي شبكهكاوي نسبت به شناسايي ارجاعات غيرمتعارف در شبكه، فيلتر دادهها و وزندهي يالهاي شبكه بر اساس نظر خبرگان اقدام شد. مدل فوق در محيط نرمافزار Knime پيادهسازي و ليستي از موارد مشكوك به بخش نظارت و رسيدگي ارايه گرديد. يافتهها: در اين پژوهش بر اساس وزن تعاملات شناسايي شده در فرآيند شبكهكاوي بين پزشك و داروخانه و با استفاده از ابزار بصري ارايه شده در نرمافزار Knime تعداد 73 پزشك كه با 26 داروخانه رابطه معناداري دارند شناسايي گرديد. نتيجه‌گيري: بازرسان سازمان بيمه سلامت ميتوانند بر اساس الگوهاي رسيدگي مبتني بر شبكهكاوي و بصريسازي با صرف زمان و منابع انساني كمتر، رسيدگي دقيق و موثرتري را صورت دهند.

Introduction: A significant amount of treatment cost is paid by health insurance organization. Insurance companies mostly use reliable people to audit documents, but due to the very high number of documents and the limitation of time and human resource, it is almost impossible to consider documents carefully and more importantly, some infringements are not identifiable according to only one document, but identifiable by accumulation of documents and intelligent analysis based on data mining. Detection of beneficial referral (self-referral and kickback) that a doctor refers a patient to a specific pharmacy that has benefits for him, is one of these things. Methods: In the current study, data pool was prepared using Tehran Health Insurance data until 2017 and then after eliminating faulty data, according to network mining methods, actions were taken to detect anomalistic referrals on the network, data filtering, and weighing the edges of the network based on the views of reliable people. This method was implemented in the Knime environment and a short list was presented to monitoring department of the health insurance organization. Results: In this research, according to the importance of detected interactions during network mining‘s process between doctors and pharmacies, and using visual tools in Knime, 73 doctors were detected that had meaningful relation with 26 pharmacies. Conclusions: Inspectors of health insurance organization can have a more accurate and more effective examination with spending less time and human resource according to examination patterns based on network mining and visualization.