د. مشير أحمد، دكتوراه في الفلسفة، مؤسس ومدير تنفيذي لشركة Codoxo – سلسلة مقابلات

د. مشير أحمد، دكتوراه في الفلسفة، مؤسس ومدير تنفيذي لشركة Codoxo هو tecnologist وentrepreneur يركز على تطبيق الذكاء الاصطناعي لحل عدم الكفاءة النظامية في مجال الرعاية الصحية. أسس Codoxo بناءً على أبحاث تم تطويرها خلال فترة دراسته للدكتوراه في معهد جورجيا للتكنولوجيا، حيث بنى أسس نهج الذكاء الاصطناعي المبتكر لكشف الاحتيال والهدر والاستغلال في المطالبات الطبية. تحت قيادته، نمت الشركة لتصبح مزودًا لحلول دفع متكاملة مدفوعة بالذكاء الاصطناعي، مما يساعد منظمات الرعاية الصحية على تحديد المخاطر في وقت مبكر وانتقال من التدقيقات التفاعلية إلى احتواء التكاليف التفاعلية.

Codoxo هي شركة رعاية صحية تعتمد على الذكاء الاصطناعي تركز على خفض عدم الكفاءة والتكاليف غير الضرورية عبر نظام الرعاية الصحية من خلال منصتها Forensic AI. تستخدم المنصة خوارزميات محمية بالبراءة وذكاء اصطناعي لتحليل أحجام هائلة من بيانات المطالبات، وتحديد السلوك المشبوه وتناقضات الفواتير وأنماط الاحتيال الناشئة في وقت مبكر hơn من الأنظمة التقليدية. من خلال تمكين دافعي الرعاية الصحية ووكالات الحكومة ومديري المنافع الصيدلانية من التدخل قبل أو خلال عملية المطالبات، تقود Codoxo الصناعة نحو سلامة الدفع التفاعلية بدلاً من الاسترداد التأملني. يتضمن نظام احتواء التكاليف الموحد الأكبر استخراج البيانات وتثقيف المزودين وعمليات التدقيق وإدارة الحالات، مما يساعد المنظمات على تحسين الدقة وتقليل المدفوعات الزائدة وتبسيط العمليات مع معالجة مئات مليارات الدولارات المفقودة سنويًا بسبب الاحتيال والهدر والاستغلال.

لقد أسست Codoxo بعد البحث في كشف الاحتيال في المطالبات الصحية خلال فترة دراستك للدكتوراه في جورجيا تيك. ما هو ما أقنعك في البداية أن الذكاء الاصطناعي يمكن أن يغير بشكل جوهري كيفية كشف الاحتيال والهدر والاستغلال في أنظمة الرعاية الصحية؟

أصبح tôi مقتنعًا لا بفضل لحظة واحدة، بل بفضل مواجهة كيفية فشل النهج الحالي بشكل سيئ. يُعتبر الاحتيال في الرعاية الصحية في الولايات المتحدة يمثل حوالي 330 مليار دولار потерян سنويًا. هذا أكثر من أي شكل آخر من أشكال الاحتيال في التأمين في البلاد، ومع ذلك، فإن الأساليب الكشفية السائدة يمكنها فقط التقاط ما تم تدريبها عليه في البداية. حتى مع دخول الذكاء الاصطناعي إلى الصورة، كانت معظم النهجات تفاعلية، مطابقة للأنماط المعروفة بدلاً من كشف الأنماط غير المعروفة. اللحظة التي جعلتني أدرك ذلك كانت عندما أدركت أن الاحتيال ليس مشكلة ثابتة. يتعلم الممثلون السيئون ويتكيفون. يتعلمون ما يؤدي إلى إشارة ويتخطونها. نظام مبني على قواعد محددة دائمًا ما يأتي في المرتبة الثانية.

ما يقدمه الذكاء الاصطناعي هو القدرة على كشف الأنماط التي لم يفكر أحد في برمجتها مسبقًا. خلال عملتي على أطروحتي في جورجيا تيك، كنت أبني نماذج يمكنها النظر عبر تاريخ المطالبات الكامل للمزود، وتحديد الشذوذ السلوكي، وربط الإشارات التي لن يربطها محلل بشري أو محرك قواعد. مجموعة جايسون الاستشارية، التي تُشير إلى الحكومة الأمريكية في العلوم والتكنولوجيا، أدركت أن هذا العمل يعالج فجوات حقيقية في كيفية استخدام بيانات الصحة لسلامة الدفع. هذا الاعتراف قال لي أن المشكلة خطيرة بما يكفي لبناء شركة حولها.

الاقتناع الأساسي الذي دفعني آنذاك هو نفسه الذي يدفع ما نبني عليه في Codoxo الآن: بيانات مطالبات الرعاية الصحية تحتوي على الإشارة التي تحتاجها لكشف الاحتيال، ولكنك لا تستطيع استخراجها إلا بالذكاء الاصطناعي الذي يمكنه النظر إلى الصورة الكاملة بسرعة ودقة، بدلاً من التحقق من صناديق.

لقد كان الاحتيال في الرعاية الصحية مشكلة طويلة الأمد بقيمة مليارات الدولارات، ولكن الذكاء الاصطناعي التوليدي يبدو أنه يسرع بشكل كبير. كيف غيرت ظهور أدوات قادرة على إنتاج توثيق سريري مقنع وصور تشخيصية منظر المخاطر لدافعي التأمين وفرق سلامة الدفع؟

لقد غير ذلك منظر المخاطر بشكل جوهري، والصناعة لم تتناول بعد كيفية تغيره بشكل كافٍ. النموذج القديم للتوثيق الاحتيالي يتطلب جهدًا يدوياً. كان الممثل السيئ الذي يرتكب الاحتيال يضطر إلى تصنيع ملاحظات واحدة تلو الأخرى، وتنقيح الصور بشكل فردي، وإنشاء سجلات تبدو معقولة بما يكفي للبقاء على قيد الحياة في المراجعة. هذا الاحتكاك خلق سقفًا طبيعيًا على حجم أي مخطط.

أزال الذكاء الاصطناعي التوليدي هذا السقف. اليوم، يمكن لأي شخص أن يطلب من نموذج لغة كبير إنتاج 50 ملاحظة للعلاج النفسي للقلق ويتلقىها في أقل من خمس دقائق. هذه الملاحظات ستستخدم مصطلحات سريرية مناسبة، وتتبع هيكلاً سرديًا معقولاً، وتبدو متسقة داخليًا. معظم أنظمة كشف الاحتيال لم يتم تصميمها لتقييم ما إذا كان الوثيقة أصلية أو اصطناعية. تم تصميمها للتحقق من ما إذا تم تطبيق رموز الفواتير بشكل صحيح، وتحديد الأنماط المعروفة، والمطابقة مع توقيعات الاحتيال الحالية. لذلك يمر التوثيق الاصطناعي عبرها، حتى عبر بعض الأنظمة التي تدعي وجود مكون اصطناعي.

لقد رأينا ذلك أيضًا مع التصوير التشخيصي. يمكن استخدام أشعة سينية شرعية واحدة كبذرة لآلاف من المتغيرات التي تم توليدها بواسطة الذكاء الاصطناعي، كل منها يتم تقديمه تحت مريض مخادع مختلف. نظام بدون khả năng مقارنة الصور يرى 50 حالة فريدة، ولكن الواقع هو أشعة سينية حقيقية واحدة و 49 نسخة اصطناعية. منظر المخاطر قد تحول من ممثلين سيئين معزولين إلى أشخاص يمكنهم تشغيل مخططات قابلة للتكرار مع تقنيات تقنية قليلة.

许多 أنظمة كشف الاحتيال التقليدية تعتمد على نماذج قاعدية ومراجعة يدوية. لماذا تصبح هذه النهجات أقل فعالية عند التعامل مع سجلات طبية تم توليدها بواسطة الذكاء الاصطناعي أو الصور التشخيصية المعالجة؟

معظم نهجات كشف الاحتيال، سواء كانت قاعدية أو نماذج الذكاء الاصطناعي الأقدم، تعمل على افتراض أساسي معيب حاليًا: أن جميع الوثائق التي تدخل النظام تم إنشاؤها بواسطة إنسان يتبع عمليات سريرية عادية. بمجرد انهيار هذا الافتراض، ينهار نهج الكشف معه.

يمكن لمحرك القواعد أن يؤشر مزيجًا من الرموز المستحيلة، أو مزود يفوتر لساعات أكثر من الساعات الموجودة في اليوم، أو إجراء تم إجراؤه على مريض متوفى. هذه كلها محاولات حقيقية ومفيدة. ومع ذلك، لا يمكن لمحرك قواعد منطقية النظر إلى ملاحظة تقدم و تحديد ما إذا كانت كتبت بواسطة طبيب رأى المريض فعلاً أو تم توليدها بواسطة نموذج ذكاء اصطناعي لم يُمارس الطب أبدًا. يمكن أن تكون مخرجاتهما هيكليًا متطابقة.

المراجعة اليدوية لها نفس السقف. تظهر الدراسات أن فقط حوالي 34% من الناس يمكنهم تحديد خدعة عميقة حتى لو تم إخبارهم بوجود واحدة وهم يبحثون عنها بنشاط. محقق SIU يراجع كومة من ملاحظات التقدم لا يملك تدريبًا محققًا لتحديد النصوص الاصطناعية، ولا أدوات مقارنة الصور لتحديد النسخ المتماثلة، وليس لديه ساعات كافية في اليوم لإجراء هذا المستوى من الفحص على كل مطالبة. مشكلة الحجم وحدها تجعل المراجعة الشاملة اليدوية مستحيلة، وهذا كان صحيحًا قبل أن يبدأ الذكاء الاصطناعي التوليدي في تسريع حجم وتنوع الوثائق الاحتيالية.

هناك تهديد ناشئ لا أعتقد أنه يتم تقديره بشكل كافٍ: ما يسمى محركات الخداع العميق التروجان. هذه هي وكلاء الفيروسات المصممة خصيصًا لتعطيل برامج الكشف، من خلال تكتيكات مثل تعطيل تحليل الصور أو إعادة هندسة البرمجة الخبيثة. لذلك، الديناميكية المعادية ليست فقط احتياليين يولّدون خدعًا أفضل. في بعض الحالات، هم ي пытаются активно كسر الأدوات التي يتم بناؤها ل捕获هم. هذه الديناميكية السباقية هي جزء من почему نهج الكشف الثابت، سواء كان قائمًا على القواعد أو نموذج الذكاء الاصطناعي الذي لا يُصمم لتحديثه، سوف ي 落后 دائمًا. الدفاع يجب أن يكون مرنًا مثل الهجوم.

أطلقت Codoxo مؤخرًا كشف الخدع العميقة لمواجهة هذا الخطر الناشئ. على مستوى عالٍ، كيف تقوم التكنولوجيا بتحليل الوثائق الطبية والصور لتحديد ما إذا كان المحتوى قد تم توليده أو تعديله بواسطة الذكاء الاصطناعي؟

مبدأ التصميم الأساسي هو أننا بنينا كشف الخدع العميقة خصيصًا لتوثيق الرعاية الصحية، وليس بتركيب أداة كشف عامة الغرض في سياق سريري. هذا يعني أن النماذج مدربة على إشارات محددة للرعاية الصحية، وليس محوّلة من أدوات بنيت لصناعات أو حالات استخدام أخرى. هذا الفرق مهم لأن الإشارات التي تشير إلى المحتوى الاصطناعي في سجل طبي أو صورة تشخيصية تختلف عن الإشارات ذات الصلة في مجالات أخرى.

على مستوى عالٍ، تحليل النظام الوثائق الطبية والصور إلى جانب سياق المطالبة الكامل، ويفعل ذلك في ثوانٍ. عندما يرفع محقق SIU وثائق مشبوهة، يُشغل الذكاء الاصطناعي التحليل عبر أبعاد متعددة في نفس الوقت. يبحث عن مؤشرات على المحتوى الاصطناعي أو المعدل، ويتحقق من أنماط التكرار والتكرار عبر تاريخ المطالبات الأوسع نطاقًا للمدفوع، ويتحقق من الاتساق السلوكي بين الوثائق وسلوك المزود التاريخي.

شيء واحد يستحق الذكر هو مدى تنسيقات الوثائق التي يمكن للنظام العمل عليها. يتعامل مع وثائق نصية في PDF و Word و XML، و جداول، وصور طبية، وحتى ملاحظات مكتوبة بخط اليد. هذا يهم في الممارسة لأن الوثائق الاحتيالية لا تصل في تنسيق منظم واحد، ونظام الكشف الذي يغطي فقط بعض ما يتلقاه فرق SIU يترك فجوات التي سوف يجدها الاحتياليون المتقدمون في النهاية.

من كل هذا التحليل، يولد النظام درجة مخاطر على مقياس من 0 إلى 100 مع تفسيرات مفصلة، بحيث يمكن للمحقق فهم بالضبط ما الإشارات التي دفعت الدرجة. الهدف في كل خطوة هو إنتاج مخرجات قابلة للتنفيذ بدلاً من مجرد تنبيهات، ويفعل ذلك بشكل أسرع وأكثر دقة من نظام أكثر عمومية. السرعة مهمة لأن النقطة الوحيدة للمداخلة التي تغير بشكل كبير اقتصاد الاحتيال هي قبل أن يتم دفع المال.

تُبرز منصتك قدرات مثل كشف التكرار، وتحديد التوليد الجزئي للذكاء الاصطناعي، ومقارنة السلوك عبر تاريخ المطالبات. هل يمكنك أن تشرح كيف تجمع هذه الإشارات لإنتاج درجة مخاطر ذات معنى للمحققين؟

تستهدف كل واحدة من هذه القدرات نمط احتيال مختلفًا، ودرجة المخاطر تعكس كيفية تفاعلها في حالة معينة.

كشف التكرار والمضاعفة يعالجان سيناريو حيث يتم تكرار سجل حقيقي عبر مريضين مخادعين متعددين. ما يجعل هذا الأمر صعبًا هو أن التباينات يمكن أن تكون خفية بدرجة كافية بحيث لا يبدو أي سجل مشبوهًا بشكل منفصل. النمط يصبح مرئيًا فقط عند المقارنة عبر سكان المطالبات الكامل. يمكن لنظامنا أن يُظهر أن مجموعة من السجلات التي تبدو فريدة على السطح هي في الواقع مشتقة من مصدر مشترك.

التحديد الجزئي للتوليد بواسطة الذكاء الاصطناعي مهم لأن الاحتياليين المتقدمين ليسوا دائمًا يخترعون سجلات كاملة من الصفر. نمط أكثر شيوعًا وأصعب في الكشف هو التوليف، مما يعني أخذ سجل مريض حقيقي واستخدام الذكاء الاصطناعي لإضافة خدمات أو إجراءات زائفة إضافية. الأقسام الحقيقية تجعل الوثيقة تبدو معقولة، ولكن الأقسام المضافة تمثل مطالبات لخدمات لم يتم تقديمها. نظامنا مصمم خصيصًا لfinding هذه الحالات.

المقارنة السلوكية تربط الوثائق قيد المراجعة بسجل المزود الكامل. إذا كانت الوثائق تعرض روايات سريرية غير متسقة مع كيفية توثيق المزود حالات مماثلة تاريخيًا، أو إذا انحرف حجم ونمط السجلات الداعمة فجأة عن الخط الأساسي، هذه الانسجامات هي إشارات. بمفردها، لا إحدى منها هي حاسمة. معًا، وموزونة ووضحة في مخرجات درجة المخاطر، تمنح المحققين نقطة انطلاق ذات معنى التي سوف تأخذ ساعات أو أيام لتحقيقها يدوياً. ما يجعل هذا مختلفًا عن نظام يؤشر فقط المحتوى المتولد بواسطة الذكاء الاصطناعي هو تجميع الإشارات. التحليل المحتوى وحده يمكن أن يفوت الوثائق المخلوطة. التحليل السلوكي وحده يمكن أن يفوت احتياليًا جديدًا بدون نمط سابق. إنه تقاطع جميع طبقات الإشارات في نفس الوقت، معالجتها في ثوانٍ، الذي يلتقط ما لا يمكن أنظمة الذكاء الاصطناعي الأخرى.

ما هي بعض مخططات الاحتيال التي تمكّنها الخدع العميقة والتي يجب على دافعي التأمين والمنظمين مراقبتها في السنوات القليلة القادمة؟

السيناريوهات التي تقلقني أكثر هي تلك التي تجمع بين الحجم والمصداقية بطرق صعبة التتبع، حتى مع الكشف القوي.

صحة السلوك هي نقطة ضعف حقيقية. توثيق خدمات العلاج النفسي في الغالب روائي، بما في ذلك ملاحظات الجلسة، وخطط العلاج، وملخصات التقدم. لا توجد قيم معملية للتحقق منها، لا توجد صور لفحصها. يمكن لمزود احتيالي مع وصول إلى نموذج لغة عام إنتاج توثيق سريري مقنع لخدمات العلاج النفسي بكمية استثنائية، والطريقة العملية الوحيدة لاكتشافه هي استخدام الذكاء الاصطناعي الذي يمكنه تقييم ما إذا كان التوثيق يظهر التوقيعات اللغوية والهيكلية للتوليد الاصطناعي.

احتيال التصوير التشخيصي هو منطقة أخرى أتابعها عن كثب. يمكن لأدوات الذكاء الاصطناعي المجانية والممكنة الآن توليد متغيرات طبية واقعية من صورة أشعة سينية واحدة. مع تحسين هذه الأدوات، سوف تصبح الإخراج الاصطناعي أكثر صعوبة في التمييز عن المسح الأصلي بدون كشف صورة مخصص. دافعي التأمين الذين لا يملكون khả năng تحليل الصور في عملياتهم يعتمدون على الثقة في أن الصور التي يتلقونها حقيقية.

هناك أيضًا قلق ناشئ حول احتيال الهوية والاعتماد، حيث يدعم التوثيق المتولد بواسطة الذكاء الاصطناعي تسجيل مزور لمزود أو تصريح مسبق لخدمات لم تكن ضرورية طبيًا. هذه المخططات أكثر صعوبة في الكشف لأن الاحتيال مضمن في عملية الاستلام بدلاً من مطالبات نفسها، وبحلول الوقت الذي يظهر فيه في بيانات الفواتير، الضرر已经 تم إلحاقه.

غالبًا ما تتضمن مطالبات الرعاية الصحية أحجامًا كبيرة من الوثائق وأدلة داعمة. كيف تقوم نظام الذكاء الاصطناعي بتقييم هذه المعلومات بسرعة كافية لوقف المطالبات الاحتيالية قبل دفع المال؟

السرعة هي في الواقع متطلب تصميم أساسي، وليس أمرًا جيدًا. النقطة الوحيدة التي يكون نظام كشف الخدع العميقة مفيدًا فيها هي إذا كان يعمل بسرعة خط أنابيب المطالبات. إذا استغرق التحليل ساعات أو يتطلب من شخص ما تشغيل قائمة مراجعة، لقد فاتتك уже نافذة ما قبل الدفع، وانتقلت إلى عمل استرداد بعد أن غادر المال النظام.

نظامنا مصمم ليكمل التحليل في ثوانٍ. عندما يتم تحميل الوثائق لمراجعة، يعمل الذكاء الاصطناعي في تحليله في نفس الوقت، وليس في سلسلة. التحليل المحتوى والتحقق من التكرار والمقارنة السلوكية يحدثون في نفس الوقت، وليس في سلسلة. المخرجات هي درجة مخاطر مع تفسيرات مفصلة، بحيث لا يحتاج المحقق إلى تفسير إشارات خام. يتلقى نتيجة قابلة للتنفيذ ومفصلة. الهيكل الموازي هو جزء من ما يسمح لنا بفعل ذلك بشكل أسرع وأكثر دقة. تشغيل جميع طبقات الإشارات في نفس الوقت يعني أن درجة المخاطر تعكس صورة كاملة للحالة، وليس فقط الإشارة الأولى التي ظهرت.

النقطة الأوسع هنا هي أن التحول الذي نسعى إليه عبر جميع أعمال Codoxo، ما نسميه Point Zero، هو نقل تداخل سلامة الدفع إلى أقرب نقطة ممكنة. كشف مطالبة احتيالية قبل الدفع هو أكثر كفاءة بشكل كبير من استرداد مدفوعات زائدة بعد وقوعها. الاسترداد مكلف وبطيء وغالبًا غير كامل. المنع في مرحلة التحقق من الوثائق والأدلة يغير اقتصاد المشكلة بالكامل.

أدوات كشف الاحتيال يجب أن تكون قابلة للفهم للمحققين والمراجعين والمنظمين. كيف تضمن أن درجات المخاطر التي يولدها الذكاء الاصطناعي يمكن فهمها وثقة فرق SIU و سلامة الدفع؟

الوضوح ليس اختياريًا في هذا المجال. إذا كان محقق SIU سوف يتصرف على درجة مخاطر، سواء كان ذلك يعني إيقاف مطالبة، أو فتح حالة، أو بناء إحالة للتنفيذ، فإنه يحتاج إلى القدرة على توضيح ما وجد النظام ولماذا. مخرجات صندوق أسود التي تقول “مخاطر عالية” ليست أداة مفيدة في تدفق عمل له مسؤولية قانونية وتنظيمية متصلة به.

كل درجة مخاطر تُولدها نظامنا تحتوي على مؤشرات احتيال محددة، والتي يمكن أن تشمل الإشارات التي دفعت الدرجة، والأنماط المحددة، والتناقضات التي تم الكشف عنها. يمكن للمحقق اتباع المنطق من الدرجة إلى الأدلة.

كما بنينا قدرة التوجيه المخصص، التي تسمح للمحققين توجيه التحليل لسيناريوهات تحقيق محددة وأنماط احتيال فريدة. هذا مهم للوضوح في الممارسة لأن ذلك يعني أن النظام لا يعمل تحليلًا واحدًا يلائم الجميع، ويسأل المحققين تفسير مخرجات عامة. يمكنهم تشكيل الاستفسار بناءً على ما يبحثون عنه في حالة معينة، مما يجعل النتائج أكثر فائدة وسهولة في التوضيح للمراجعين أو في الإجراءات القانونية.

من الناحية التنظيمية، تزيد وكالات OIG و CMS ووكالات الدولة من التدقيق على كيفية استخدام المنظمات للذكاء الاصطناعي في منع الاحتيال. القدرة على إظهار أن منهجية الكشف قابلة للفهم وقابلة للتدقيق هي ليس فقط ممارسة جيدة، إنها مكونة من نشر مسؤول يقلل من مخاطر الامتثال.

مع استمرار تحسين الذكاء الاصطناعي التوليدي، سوف يصبح الاحتياليون أكثر تطورًا. كيف تصمم Codoxo نماذجها لتعديل نفسها بشكل مستمر مع ظهور أشكال جديدة من الوثائق الطبية الاصطناعية؟

التحدي هو أن الاحتيال هو ديناميكي معادي. مع تحسين الكشف، تتطور التكتيكات على الجانب الآخر. أي نظام مدرب مرة واحدة وتم نشره بدون تحديث سوف يتراجع مع مرور الوقت، حيث يتعلم الاحتياليون ما يؤدي إلى إطلاقه ويتكيفون. هذا هو نفس المشكلة الأساسية التي تجعل أي نهج كشف ثابت غير كافٍ، سواء كان قائمًا على القواعد أو نموذج ذكاء اصطناعي لا يُصمم لتحديثه. تعقيد الأداة لا يهم إذا كانت الهيكلة الأساسية لا تستطيع مواكبة التهديد.

نهجنا هو معاملة الكشف على أنه قدرة متواصلة التحديث، وليس منتجًا ثابتًا. مع ظهور أنماط احتيال جديدة في النظام، ومع تطور تقنيات التوليد بواسطة الذكاء الاصطناعي، تُغذي هذه الأنماط تحسين النموذج. النظام مصمم لتحسين قدرته على تحديد التهديد الناشئ، وليس فقط التهديدات التي كانت موجودة في وقت النشر. هذا مهم بالنظر إلى وتيرة تقدم الذكاء الاصطناعي التوليدي وسرعة تجربة الاحتياليين لنهج جديدة، بما في ذلك بعض التقنيات المعادية مثل محركات الخداع العميق التروجان التي تهدف إلى تعطيل الأدوات التي يتم بناؤها ل捕获هم.

هذا سوف يكون منافسة مستمرة. لا توجد حالة نهائية محسنة. الالتزام الذي قطعناه هو الحفاظ على قدرات الكشف حالية مع التهديد، وهيكلنا الوكيل هو ما يسمح لنا بفعل ذلك بمقياس.

في المستقبل، هل تعتقد أن كشف الخدع العميقة سوف يصبح مكونًا стандартًا من بنية تحتية الرعاية الصحية، مشابهًا لطريقة عمل أنظمة منع غسيل الأموال في مجال المالية، أو سوف تحتاج الصناعة إلى نهجًا جديدًا完全ًا لثقة التحقق في البيانات الطبية؟

أعتقد أن كشف الخدع العميقة سوف يصبح بنية تحتية стандартية، والجدول الزمني لذلك أقرب مما يتوقعه معظم الناس في الصناعة. قبل أن تصبح إطارات منع غسيل الأموال معايير في الخدمات المالية، اعتمدت الصناعة بشكل كبير على كشف قائم على القواعد ومراجعة يدوية. حدث التحول عندما وصل التهديد إلى حجم جعل الكشف التفاعلي واضحًا أنه غير كافٍ، وعندما أضفت البيئة التنظيمية توقعًا أن مؤسسات المالية سوف تمتلك ضوابط متواصلة ومحدّثة. الرعاية الصحية تقترب من نقطة تحول مماثلة.

ما يحدث بالفعل هو أن دافعي التأمين الذين ينشرون كشف الخدع العميقة الآن يفعلون ذلك لأن التهديد حقيقي وحالي، وليس لأن التنظيم يتطلب ذلك. مع نشر هذه النشرات الأولى، سوف تنتج أدلة على الخسائر التي تمنعها، وسوف يصبح التهديد أكثر وضوحًا في إجراءات التنفيذ والتقارير العامة، وسوف يوسع التوقع عبر الصناعة.

في المستقبل، مع استمرار تحسين الذكاء الاصطناعي التوليدي، قد تحتاج الصناعة إلى إعادة التفكير في كيفية تأسيس مصداقية الوثائق في نقطة إنشائها بدلاً من التحقق منها بعد ذلك. قد يعني ذلك التحقق الكريبتوغرافي للسجلات السريرية على مستوى السجل الإلكتروني للصحة، أو التحقق من هوية المزود المتكامل في تدفق الوثائق، أو آليات أخرى تجعل مصدر الوثيقة قابلة للتعقب بطرق لا تتم حاليًا. كشف على مستوى المطالبات هو استجابة ضرورية للتهديد الحالي. لكن الحل الدائم قد يتطلب بناء التحقق أعمق في بنية كيفية إنشاء ونقل السجلات الطبية.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم أكثر يجب أن يزوروا Codoxo.