Sağlık sigortasında yapay zekâ ile provizyon ve suistimal değerlendirmesi

Provizyon ve suistimal değerlendirmesini zorlaştıran nedenler

Provizyon, sigortalının sağlık kurumunda aldığı hizmetin bedelinin poliçe kapsamında karşılanması için sigorta şirketinin verdiği onaydır; planlı işlemlerde tedaviden önce istenen bu onaya ön provizyon denir. Talep geldiğinde sigortacının sağlık uzmanı birkaç soruya aynı anda yanıt arar: İşlem teminat kapsamında mı, bekleme süresi dolmuş mu, bir istisna var mı? Kalan limit yeterli mi? Klinik belge talebi gerçekten destekliyor mu?

Bu yanıtlar çoğu zaman farklı yerlerde durur. Poliçe metni bir sistemde, limit kullanımı başka bir ekranda, önceki provizyonlar arşivdedir; klinik belge ise çoğunlukla taranmış bir dosya ya da serbest metindir. Talep sayısı arttıkça uzmanın zamanı değerlendirmeden çok hazırlığa gider ve farklı bilgilere dayanan kararların tutarlılığı zayıflar.

Suistimalde sorun başka bir biçim alır. İzleri çoğu zaman tek bir dosyada görünmez; birçok dosya yan yana konduğunda bir örüntü olarak ortaya çıkar ve sistemler parçalı olduğunda bu izleri birbirine bağlamak zorlaşır. Sağlık sisteminin genelinde suistimal kaynaklı kaybın %3–15, talep reddinin %5–10 aralığında görülmesi, iki sorunun da küçük olmadığını gösteriyor.

Provizyon dosyasında yapılması gereken kontroller

İyi hazırlanmış bir provizyon dosyası, kararın gerektirdiği bilgiyi tek sayfada ve önceden kontrol edilmiş olarak sunar. Yapay zekâ kullanılsın ya da kullanılmasın, değerlendirmenin temeli şu kontrollerdir:

1. Talep edilen işlemin poliçe teminatı kapsamında olup olmadığını, bekleme süresinin dolup dolmadığını ve ilgili bir istisna bulunup bulunmadığını kontrol edin.
2. Sigortalının limitinden ne kadarının kullanıldığını ve kalan limitin talep edilen tutarı karşılayıp karşılamadığını gösterin.
3. Önceki provizyonları ve ödenen tutarları yeni taleple yan yana koyun.
4. Geçerli olduğu durumlarda talebin SUT kurallarına uygunluğunu denetleyin. SUT, SGK'nın yayımladığı ve geri ödeme kurallarını belirleyen Sağlık Uygulama Tebliği'dir.
5. Klinik belgede tanıyı, planlanan işlemi ve bunu destekleyen bulguları ayrı alanlara ayırın; talebin güncel tıbbi rehberlerle uyumunu değerlendirin.
6. Eksik ya da tutarsız noktaları dosya uzmana ulaşmadan işaretleyin; eksik olan tek bir belgeyse yalnızca o belgeyi isteyin.

Suistimal işaretlerini taramak

Suistimal değerlendirmesi iki düzeyde yürür. Dosya düzeyinde tek bir talepteki tutarsızlıklara, portföy düzeyinde ise çok sayıda dosya arasındaki örüntülere bakılır. Sağlık sigortası operasyonlarında sık izlenen işaretler şunlardır:

• Talep edilen tanı ya da işlem klinik belgede dayanak bulmuyor veya belgeyle çelişiyor.
• Aynı işlem için birden fazla talep geliyor ya da talep edilen tutar önceki benzer provizyonlarla uyuşmuyor.
• Aynı tanı kalıbı belirli dosyalarda olağan dışı biçimde tekrarlanıyor.
• Talepler belirli hastane ile hekim eşleşmelerinde yoğunlaşıyor.
• İşlem ile poliçe arasında atipik bir ilişki görülüyor; örneğin poliçe başlangıcından kısa süre sonra, başlangıç öncesine uzandığı anlaşılan bir rahatsızlık için talep geliyor.

Bu işaretlerin hiçbiri tek başına suistimal kanıtı değildir. Kronik bir hastalık aynı tanının tekrarlanmasını, bir branşta yoğunlaşmış bir hastane de eşleşmelerin sıklaşmasını açıklayabilir. İşaret yalnızca dosyanın daha dikkatli incelenmesi gerektiğini gösterir. İyi bir tarama her işareti neden üretildiğiyle birlikte sunar, kararı uzmana bırakır ve sigortalı ya da hekim hakkında kendiliğinden bir sonuç üretmez.

Yapay zekânın rolü ve kurulum adımları

Büyük dil modelleri belge okumakta, özetlemekte ve serbest metinle sorulan soruları yanıtlamakta güçlüdür. Provizyon kararı ise doğru kurala dayanmalı, aynı girdiye her seferinde aynı sonucu vermeli ve sonradan savunulabilmelidir; olasılıksal çalışan bir model bunu tek başına güvenceye alamaz. Bu yüzden görevler ayrılır: kuralları kural motoru uygular, yapay zekâ sonucun hangi belgeye ve hangi kurala dayandığını açıklar, kararı insan verir.

Hukuki çerçeve de aynı yönü gösterir. Sağlık verileri KVKK'da özel nitelikli kişisel veridir, GDPR'da da özel kategori veri sayılır. KVKK, verilerin yalnızca otomatik sistemlerle analiz edilmesi sonucunda kişinin aleyhine bir sonuç doğmasına itiraz hakkı tanır; GDPR da yalnızca otomatik işlemeye dayanan ve kişiyi önemli ölçüde etkileyen kararlara sınırlar getirir. Kurulumda şu adımlar izlenebilir:

1. Talebin hangi kanaldan geldiğini, her bilginin hangi sistemde durduğunu ve uzmanın bir dosya için hangi ekranları açtığını çıkarın.
2. Teminat, bekleme süresi, istisna, limit ve SUT kontrollerini yazılı ve sürümlü kurallar olarak tanımlayın; poliçe üretiminde bu koşulları belgeden sisteme aktarın.
3. Yapay zekânın belgeden aldığı ifade ile kendi çıkarımını her yanıtta ayrı gösterin.
4. Suistimal işaretlerini gerekçesiyle bir inceleme kuyruğuna gönderin; hiçbir işaret kendiliğinden ret üretmesin.
5. Onay, ek belge talebi ve ret kararlarının uzmanda kaldığını süreç belgelerine yazın; sistemin önerisini ve uzmanın kararını ayrı ayrı kaydedin.
6. Sistemi kurumun kendi sunucularında ya da izole bir bulut ortamında çalıştırın ve modele giden kişisel veriyi maskeleyin.
7. Ön provizyon gibi tek bir süreçte POC yapın; dosya hazırlama süresini, ek belge talebi oranını ve uzmanlar arası karar tutarlılığını önceki dönemle karşılaştırın.

Opinion AI bu süreçte ne yapar

SIT-I, Opinion AI'ın sağlık sigortası şirketleri için geliştirdiği sigorta bütünlüğü platformudur ve ödeme yapılmadan önce devreye giren bir kontrol katmanı olarak çalışır. Ön provizyon, poliçe üretimi, tazminat, geri ödeme ve tıbbi danışmanlık adımlarında uzmanla birlikte çalışır. Dosya uzmana geldiğinde poliçe analizi, limit takibi, dosya geçmişi, SUT uyumu ve klinik bağlam aynı sayfadadır; uzman dosyayla ilgili sorusunu Doktor Asistanı ve Konsey Modu üzerinden sisteme yöneltebilir.

MINA'nın Fraud Risk Analizi sorgusu tekrarlayan tanı kalıplarını, hastane ile hekim arasındaki eşleşmeleri ve işlem ile poliçe arasındaki atipik ilişkileri sistematik olarak tarar ve bulguları uzmanın değerlendirmesine sunar. Karar kuralları kural motorunda çalışır, yapay zekâ sonucu ve gerekçesini açıklar; eczane başvurularında 6 red türünün her biri kendi kuralıyla kontrol edilir.

MINA, Türkçeye ve 14 branşın klinik diline sürekli ön eğitimle (CPT) uyarlanmış bir temel model üzerine kuruludur. Branş, kurum ve görev uzmanlığı LoRA adaptörleriyle verilir; bilgiye erişim klinik bilgi grafı (GraphRAG) üzerinde ajanik orkestrasyonla sağlanır. MINA'nın son sürüm model değerlendirmesinde hile ayırt etme sonucu %93 (100 karşılaştırmada 93), geri ödeme uyumu sonucu %91 (100 talepte 91) oldu (MINA v3.7 · 8 protokol · ~9.300 vaka).

SIT-I sigorta şirketinin kendi ortamında çalışır; veri Opinion AI ortamına aktarılmaz, veri sorumlusu sigorta şirketinin kendisidir ve kişisel veriler KVKK uyumlu biçimde maskelenir. Opinion AI kişisel veri toplamaz. Modelin klinik doğruluğunu ve etik sınırlarını, 15 branştan hekimin yer aldığı Hekim Etik ve Danışma Kurulu düzenli olarak denetler. Hastane tarafında aynı klinik zekâ TIS ile ayrı bir kurulum olarak çalışır. Sağlık sigortası şirketleriyle yürüttüğümüz çalışmalar Başarı Hikayeleri sayfasında yer alıyor.

Sık sorulan sorular

Provizyon ve suistimal değerlendirmesini kendi dosya yapınız üzerinde birlikte ele almak için POC Talebi formunu kullanabilirsiniz. Red nedenlerini sağlık sigortası provizyonunda red oranını düşürmek rehberinde, verinin kurum dışına çıkmadan nasıl işlendiğini hasta verisi kurum dışına çıkmadan yapay zekâ kullanmak rehberinde anlatıyoruz.