Helfo disburses health reimbursements and annually manages approximately NOK 45 billion through settlements to providers, suppliers, and service providers, as well as individual reimbursement of private individuals’ expenses for, among other things, dental care, medicines, and health services abroad. Helfo also provides guidance and services to health actors and has a major responsibility for ensuring efficient resource utilization in the management of the health reimbursement area.
One of Helfo’s most important tasks is to ensure the right benefit at the right time. In 2023, approximately one-third of the disbursed reimbursements went to medicines and medical consumables, while the remaining two-thirds were paid out for treatment reimbursements. The right to reimbursement is based on trust in those who have the right to reimbursement. Generally, it is required that settlement claims to Helfo be documented, and the health actors’ right to reimbursement is checked when the claims are processed in Helfo’s settlement system. Some errors are stopped by automatic rules in the settlement system, but not all. We find some payments on incorrect grounds, whether it be misunderstandings of the regulations, technical errors, or direct fraud. Measures to prevent and detect abuse, fraud, and serious economic crime are a prioritized task. By further automating processes that are largely manual and time-consuming, Helfo will be able to work more efficiently, in near real-time, and be able to detect errors more quickly.
The background for the project was that:
• We saw more risk than we could control.
• We have few controls, and the controls take a long time.
• We had manual and cumbersome systems for internal analyses.
• We believe we know which areas have many errors, but lack certain knowledge, especially among health actors who are not in the highest risk group.
The main goal of the project was to generate and implement technological innovation that contributed to Helfo becoming a modern data-driven control and guidance organization that continues to enjoy great trust among the population and the various health actors. We have an automatic settlement arrangement, but relatively little automatic control and automatic guidance. We wanted to investigate how we could use our own data and test advanced analysis to develop and test new and better automatic tools to increase compliance in the health reimbursement scheme. We also wanted to investigate the extent of misuse outside the segment Helfo usually controls.
In the project, we have ensured data quality and data flow, made legal assessments of how data from the health reimbursement scheme can be used. We have structured data for analysis purposes, automated scripts for calculating risk indicators, and developed visualizations of these risk indicators. We have developed, tested, and implemented new automatic tools: Automatic information and guidance and changes in Helfo’s payment resolutions. We also developed analysis tools for simulating Helfo’s time requirement control for doctors. We have conducted a randomized control of GPs’ use of fees for e-consultations to investigate compliance in broader segments and estimate incorrectly paid reimbursements. We have tested and used tools for advanced analysis: Statistical models for estimating behavioral effects and prediction models for characterizing patterns in the bills submitted to Helfo.
The experience Helfo has gained through an innovation project initiated internally in collaboration with external and committed partners, and co-financed by a third party (the Research Council), has made the organization more mature. The work with data quality, structuring of data, automation of risk indicator calculations, and visualizations is in daily use in control and compliance work. The experiences from the randomized control have highlighted the important role third-party control has in trust-based settlement systems and may have contributed to more accurate rate use among GPs. It has also shown that limited control measures can lead to potentially large behavioral changes, even among those who were not directly affected by the measure.
The experience with advanced analysis, statistical models to analyze behavioral effects, and machine learning models for prediction has been useful knowledge that we can build on with internal resources. The information experiments that have been conducted provide useful information on how health actors respond to automatically generated guidance. They further contribute to health care providers receiving important information pushed out to them without having to request it. The information allows them to track their own development over time and compare their own fee usage with comparable actors.
The infrastructure for analysis and the setup for automatic guidance are actively used in daily operations and can be further developed in control and compliance work as needed.
Vi har kvalitetssikret data og dataflyter, gjort juridiske vurderinger av hvordan data fra helserefusjonsordningen kan brukes, vi har strukturert data for analyseformål, automatisert skript for beregning av risikoindikatorer og utviklet visualiseringer av disse risikoindikatorene.Vi har gjennomført en randomisert etterkontroll av fastlegers bruk av takster for e-konsultasjoner for å undersøke etterlevelsen i bredere segmenter og estimere refusjonsgapet på et område med antatt høy risiko for feilbruk.
Vi har utviklet, testet og iverksatt nye automatiske verktøy: Automatisk informasjon og veiledning og endringer i utbetalingsvedtak. Vi utviklet et analyseverktøy for å simulere endringer i Helfos tidskravskontroll. Vi har testet og brukt verktøy for avansert analyse: Statistiske modeller for estimering av adferdseffekter av ulike kontroll- og etterlevelses tiltak, samt prediksjonsmodeller for å karakterisere mønstre i regninger som sendes inn til Helfo.
Arbeidet med datakvalitet, strukturering av data, automatisering av beregning av risikoindikatorer og visualiseringer er i daglig bruk i kontroll- og etterlevelsesarbeidet. Erfaringene fra den randomiserte kontrollen har synliggjort den viktige rollen tredjepartskontroll har i tillitsbaserte oppgjørssystemer, og kan ha bidratt til riktigere takstbruk blant fastlegene. Den randomiserte kontrollen har også gitt nyttig innsikt i hvordan fastlegene som gruppe responderer på et slikt tiltak selv om bare et mindretall av legene treffes av selve kontrollen. Kontrollen fant en betydelig feilandel i bruken av e-konsultasjoner blant de regningene som ble trukket ut. I etterkant av kontrollen ser det ut til at de næringsdrivende fastlegene som gruppe har redusert sin bruk av e-konsultasjoner totalt. I takstforhandlingene som fulgte etter kontrollen ble honoraret for e-konsultasjoner gjennomfør utenfor normal arbeidstid satt ned, noe som ser ut til å ha redusert bruken av e-konsultasjoner for de næringsdrivende fastlegene ytterligere.
Erfaringen med avansert analyse, statistiske modeller til å analysere adferdseffekter og maskinlæringsmodeller til prediksjon har vært nyttig kunnskap vi kan bygge videre på med interne ressurser, men vi har sett at begrensede kontrolltiltak kan ha relativt store adferdseffekter. Informasjonseksperimentene som er gjennomført gir nyttig informasjon om hvordan helseaktører reagerer på automatisk generert veiledning. De bidrar videre til at helseaktørene får viktig informasjon dyttet ut til seg uten å måtte etterspørre den. Informasjonen gjør at de kan følge sin egen utvikling over tid og sammenligne egen takstbruk med sammenlignbare aktører. Verktøy for å simulere den automatiske tidskravskontrollen ble brukt til å analysere kontrollen, samt foreslå, forankre og implementere endringer.
Helfo utbetaler helserefusjoner og forvalter årlig om lag 35 milliarder kroner gjennom oppgjør til behandlere, leverandører og tjenesteytere, samt individuell refusjon av privatpersoners utgifter til blant annet tannhelse, legemidler og helsetjenenester i utlandet. I tillegg yter etaten veiledning og servicetjenester til helseaktørene og skal sikre effektiv ressursutnyttelse i forvaltning av helserefusjonsområdet.
Generelt kreves det at oppgjørskrav til Helfo skal dokumenteres, og helseaktørenes refusjonsrett blir kontrollert når kravene behandles i Helfos oppgjørssystem. Ved å automatisere prosesser som i stor grad er manuelle og tidkrevende vil Helfo kunne jobbe mer effektivt og i nærmere sanntid og kunne avdekke feil raskere.
Prosjektet skal definere og operasjonalisere etterlevelse i Helfos sammenheng, identifisere flaskehalser i IT-systemer og mulige løsninger, automatisere og videreutvikle en risikomodell for sanntidsanalyser, samt utvikle og teste prediksjonsmodell basert på maskinlæring for kontrollutplukk.
Prosjektet berører hele Helfos virksomhet og er derfor sammensatt av en tverrfaglig gruppe medarbeidere fra Helfo og Helsedirektoratet, samt en svært sterk gruppe forskere. Prosjektgruppens medlemmer fra Helfo og Helsedirektoratet består blant annet av IKT-ekspertise, analytikere og jurister, samt ledere på ulike nivå i virksomheten og erfarne jurister og saksbehandlere til kontrollgjennomføring. Forskerne i prosjektet er meritterte med lang erfaring i å jobbe med Big Data, statistiske og økonometriske metoder i forskningsfronten, og med samarbeid med ulike deler av offentlig sektor
For å realisere prosjektet vil vi kartlegge behov for systemoppgraderinger og implementere teknologi som effektivt håndterer store datamengder, samt tilrettelegge data for maskinlæring og statistisk analyse. Prosjektet er bemannet med juridiske ressurser med kompetanse på personvern for å sikre at GDPR etterleves.
