Tilbake til søkeresultatene

OFFPHD-Offentlig sektor-ph.d.

Hvordan kan kunstig intelligens og lærende kontroller forbedre helserefusjonsordningen?

Alternativ tittel: How can artificial intelligence and learning audits improve the health refund scheme?

Tildelt: kr 1,9 mill.

Prosjektnummer:

333821

Prosjektperiode:

2022 - 2026

Midlene er mottatt fra:

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 detaljerte regninger fra mange ulike helseaktører per år. Helserefusjonsordningen er tillitsbasert og de aller fleste helseaktørene ønsker å gjøre rett. Likevel skjer det avvik, deriblant 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 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 for å finne ut hva som virker for hvem (heterogene effekter), men også for å unngå bias ved bruk av maskinlæringsmetoder som bygger på selektert historisk informasjon. For å evaluere eksperimentene vil vi ta i bruk metoder fra forskningsfronten som kombinerer maskinlæring og økonometri.

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.

Budsjettformål:

OFFPHD-Offentlig sektor-ph.d.

Finansieringskilder