Het gebruik van AI in het verwerken van declaraties
Wanneer een verzekerde een factuur indient om ziektekosten te declareren gaan verschillende afdelingen aan de slag om de declaratie te verwerken. Eén van de eerste stappen in dit verwerkingsproces is het inlezen van de factuur en het herkennen van de relevante informatie. Denk hierbij aan het gedeclareerde bedrag, relevante behandelingen of voor welke verzekerde de factuur is ingediend. Dit zogenaamde invoer-gedeelte van het proces is waar het cluster van Intelligent Scannen, ook wel bekend als Entry, zich mee bezighoudt.
In het huidige proces wordt er gebruik gemaakt van externe software om de herkenning zoveel mogelijk automatisch te laten verlopen. Uiteraard geldt, hoe meer automatisch herkend wordt, hoe minder we handmatig hoeven in te voeren. Het gebruik van deze externe software loopt echter tegen harde limieten aan, waardoor het steeds lastiger wordt om het aandeel volledig automatisch verwerkte facturen verder te verbeteren. Bij DSW is dan een snel opkomende gedachte: “waarom doen we het niet gewoon zelf”?
Entry 2.0
Dit is precies waarvoor het team Entry 2.0 in het leven is geroepen met mensen van verschillende clusters met verschillende disciplines om de automatische herkenning verder te verbeteren met in-house ontwikkelde software! Zo is de backend van het nieuwe invoerproces gebaseerd op .NET, het AI-model maakt gebruik van Python en is de frontend geschreven m.b.v. Angular. Verder doen we (gelukkig) niet alles zelf: voor het vinden van de (locaties van) woorden wordt gebruikt gemaakt van Google Vision AI.
Voorbeeldfactuur waar het AI-model relevante onderdelen heeft herkend.
Het gebruik van AI binnen productieprocessen van DSW is relatief nieuw. Er is al eerdere ervaring met het gebruik van machine learning modellen in (voorspellende) analyses in het team van Data & Analytics, echter het gebruik van deze eigen ontwikkelde ML-modellen in het applicatielandschap van DSW was nog niet eerder gedaan. Voor het herkennings-gedeelte in het invoerproces wordt onder andere gebruik gemaakt van zogenaamde Graph Neural Networks (GNN). Belangrijk daarbij is wel dat er een goed controle-onderdeel is in het proces, om te waarborgen dat de resultaten van AI-model kloppend zijn.
Toekomst
Inmiddels zijn de eerste zorgsoorten (mondzorg en alternatieve geneeswijze) grotendeels over op het nieuwe proces, en de resultaten zijn veelbelovend met mooie verbeteringen in de automatische herkenning. Tegelijkertijd moet ook het oude proces blijven draaien en zijn we bezig met het overzetten van andere zorgsoorten (farmacie, optiek en podotherapie). Zo hopen we in afzienbare tijd volledig over te kunnen stappen naar het nieuwe proces. Uitdagingen genoeg dus…