Back to search

INNOFFARENA-Innovasjonsarena for stat og kommune

Hvordan kan kunstig intelligens og lærende kontroller forbedre helserefusjonsordningen?

Alternative title: How can artificial intelligence and learning audits improve the health refund scheme?

Awarded: NOK 1.9 mill.

Project Number:

333821

Project Period:

2022 - 2026

Subject Fields:

Helfo (The Norwegian Health Economics Administration) is the Directorate of Health’s external agency and annually administers around NOK 36 billion. The agency’s responsibilities include making payments from the National Insurance scheme to healthcare providers, suppliers and service providers, as well as individual refunds of expenses incurred by private individuals relating to medicines, dental healthcare and health services abroad. Helfo receives approximately 120 millioner detailed invoices from many different healthcare providers anually. The National Insurance scheme is based on trust and the majority of health care providers want to do right. Despite this wish by the majority of provides, deviations from compliance do occur. Helfo is working to develop its use of data to detect these deviations in an effective way and this PhD-project is an important component of that work. The project consists of two parts. Each part contains a separate randomized controlled trial to test machine learning models which are used to detect and predict deviations from compliance. The use of RCTs are necessary both to detect what works for different agents in the presence of heterogenous treatment effect, and to avoid bias when using machine learning methods which are trained on historical selected data. To evaluate the experiments the project with use methods from the research frontier which combines machine learning and econometrics.

Helfo er Helsedirektoratets ytre etat. Helfos samfunnsoppdrag er å ivareta rettighetene til helseaktører og privatpersoner og å gi informasjon og veiledning om helsetjenester. Helfo forvalter årlig om lag 36 milliarder kroner. Dette omfatter oppgjør fra folketrygden til behandlere, leverandører og tjenesteytere, samt individuell refusjon av privatpersoners utgifter til blant annet legemidler, tannhelse og helsetjenester i utlandet. Helfo mottar om lag 120 millioner svært detaljerte regninger fra mange ulike helseaktører. Helserefusjonsordningen er tillitsbasert og de aller fleste helseaktørene ønsker å gjøre rett. Likevel skjer det avvik, som feil og misbruk. Helfo jobber med å videreutvikle bruk av egne data på en effektiv måte for å avdekke avvik, og dette PhD-prosjektet vil være et viktig ledd i dette. Prosjektet er i grensesnittet mellom maskinlæring, økonometri og adferdsøkonomi, med innovativ bruk av randomiserte eksperimenter for å teste modeller og for å oppdatere input som kan forbedre de automatiserte modellene, Helfos virkemiddelbruk for å sikre etterlevelse, samt IT-strukturene i virksomheten. Prosjektet tar i bruk og utvikle maskinlæring for å avdekke og predikere avvik i bruk av helserefusjonsordningen, bruke økonometriske metoder til å avdekke og diagnostisere evt. algoritmeskjevhet, samt bruke metoder som kombinerer maskinlæring og økonometri til å evaluere effekter av ulike tiltak mot heterogene helseaktørgrupper. Prosjektet består av to delprosjekter, hvert med et planlagt eget randomiserte eksperiment (som allerede er forankret i organisasjonen) for å teste maskinlæringsmodeller som brukes til å avdekke og predikere avvik. Dette er nødvendig får både finne ut hva som virker form hvem (heterogene effekter), men også for å unngå bias og diskriminering ved bruk av AI metoder som bygger på selektert historisk informasjon. For å evaluere eksperimentene vil vi ta i bruk metoder fra forskningsfronten som kombinerer maskinlæring og økonometri.

Activity:

INNOFFARENA-Innovasjonsarena for stat og kommune