Dr. Musheer Ahmed, PhD, Gründer und CEO von Codoxo – Interviewreihe

Dr. Musheer Ahmed, PhD, Gründer und CEO von Codoxo, ist ein Technologe und Unternehmer, der sich auf die Anwendung von künstlicher Intelligenz konzentriert, um systemische Ineffizienzen im Gesundheitswesen zu bekämpfen. Er gründete Codoxo auf der Grundlage von Forschungsergebnissen, die er während seines PhD-Studiums am Georgia Institute of Technology entwickelte, wo er die Grundlagen eines patentierten AI-Ansatzes zur Erkennung von Betrug, Verschwendung und Missbrauch in medizinischen Rechnungen entwickelte. Unter seiner Führung ist das Unternehmen zu einem Anbieter von AI-gesteuerten Zahlungsintegritätslösungen herangewachsen, die Gesundheitsorganisationen helfen, Risiken früher zu erkennen und von reaktiven Audits zu proaktiver Kostenkontrolle überzugehen. Seine frühere Erfahrung in der Sicherheitsintelligenz bei VeriSign (VRSN ), wo er an der Identifizierung von aufkommenden Cyber-Bedrohungen und Schwachstellen arbeitete, prägte seine Konzentration auf die Verwendung von fortschrittlicher Analytik und maschinellem Lernen, um verborgene Muster in komplexen Datenumgebungen aufzudecken.

Codoxo ist ein Gesundheits-Unternehmen, das sich auf die Reduzierung von Ineffizienzen und unnötigen Kosten im Gesundheitssystem durch seine Forensik-AI-Plattform konzentriert. Die Plattform verwendet patentierte Algorithmen und maschinelles Lernen, um große Mengen an Rechnungsdaten zu analysieren, verdächtiges Verhalten, Abrechnungsanomalien und aufkommende Betrugsmuster früher als herkömmliche Systeme zu identifizieren. Indem Codoxo es Gesundheitszahlern, Regierungsbehörden und Apotheken ermöglicht, während des Rechnungsprozesses einzugreifen, verschiebt das Unternehmen die Branche von reaktiver Abrechnung zu proaktiver Zahlungsintegrität. Die umfassendere einheitliche Kostenkontrollplattform integriert Datenmining, Anbieterausbildung, Audit-Workflows und Fallmanagement, um Organisationen dabei zu helfen, die Genauigkeit zu verbessern, Überzahlungen zu reduzieren und den Betrieb zu straffen, während sie mit geschätzten hunderten von Milliarden Dollar kämpfen, die jährlich durch Betrug, Verschwendung und Missbrauch verloren gehen.

Sie haben Codoxo gegründet, nachdem Sie während Ihres PhD-Studiums am Georgia Tech Forschungen zur Erkennung von Gesundheitsbetrug durchgeführt hatten. Was hat Sie zunächst davon überzeugt, dass künstliche Intelligenz die Art und Weise, wie Betrug, Verschwendung und Missbrauch im Gesundheitssystem erkannt werden, grundlegend ändern kann?

Ich wurde nicht durch einen einzigen Moment überzeugt, sondern durch die Erkenntnis, wie schlecht der bestehende Ansatz funktionierte. Gesundheitsbetrug in den USA verursacht etwa 330 Milliarden Dollar Verluste pro Jahr. Das ist mehr als alle anderen Formen von Versicherungsbetrug im Land zusammen, und dennoch konnten die dominanten Erkennungsmethoden nur das erkennen, wofür sie trainiert worden waren. Selbst als künstliche Intelligenz in Erscheinung trat, waren die meisten Ansätze reaktiv und suchten nach bekannten Betrugsschemata anstelle von unbekannten. Der Moment, der es mir klar machte, war die Erkenntnis, dass Betrug kein statisches Problem ist. Böse Akteure passen sich an. Sie lernen, was eine Flagge auslöst, und umgehen es. Ein System, das auf feste Regeln basiert, ist per Definition immer hinterher.

Was künstliche Intelligenz bietet, ist die Fähigkeit, Muster zu erkennen, die niemand zuvor programmiert hat. Während meiner Doktorarbeit am Georgia Tech baute ich Modelle, die über die vollständige Rechnungshistorie eines Anbieters hinwegsehen, Verhaltensanomalien identifizieren und Signale verbinden konnten, die ein menschlicher Analyst oder eine Regelmotorik nie verbinden würde. Die JASON-Beratungsgruppe, die die US-Regierung in Fragen von Wissenschaft und Technologie berät, erkannte diese Arbeit als Lösung für echte strukturelle Lücken in der Verwendung von Gesundheitsdaten für Zahlungsintegrität an. Diese Anerkennung sagte mir, dass das Problem ernst genug war, um ein Unternehmen darauf aufzubauen.

Die Kernüberzeugung, die mich damals antrieb, ist dieselbe, die uns heute bei Codoxo antreibt: Gesundheitsrechnungsdaten enthalten das Signal, das Sie benötigen, um Betrug zu erkennen, aber Sie können es nur mit künstlicher Intelligenz extrahieren, die das gesamte Bild schnell und genau betrachten kann, anstatt nur Kästchen zu überprüfen.

Gesundheitsbetrug ist seit langem ein milliardenschweres Problem, aber generative künstliche Intelligenz scheint es dramatisch zu beschleunigen. Wie hat die Entwicklung von Tools, die überzeugende klinische Dokumentation und diagnostische Bilder produzieren können, die Bedrohungslandschaft für Gesundheitsversicherer und Zahlungsintegritätsteams verändert?

Es hat sie grundlegend verändert, und die Branche hat diese Veränderung noch nicht vollständig erfasst. Das alte Modell der Dokumentation von Betrug erforderte manuelle Anstrengung. Ein böser Akteur, der Betrug beging, musste Notizen fälschen, Bilder einzeln ändern und Aufzeichnungen erstellen, die plausibel genug waren, um eine Überprüfung zu überstehen. Diese Reibung schuf eine natürliche Decke für das Ausmaß jedes Schemas.

Generative künstliche Intelligenz entfernte diese Decke. Heute kann jeder eine große Sprachmodell anfordern, um 50 Therapiesitzungsnotizen für Angstzustandsbehandlung zu erstellen und sie in weniger als fünf Minuten zu erhalten. Diese Notizen verwenden angemessene klinische Terminologie, folgen einer plausiblen Erzählstruktur und sehen intern konsistent aus. Die meisten Betrugserkennungssysteme waren nie darauf ausgelegt, zu überprüfen, ob ein Dokument authentisch oder synthetisch ist. Sie wurden entwickelt, um korrekte Abrechnungscodes zu überprüfen, bekannte Muster zu kennzeichnen und mit bestehenden Betrugssignaturen zu vergleichen. Die synthetische Dokumentation geht also problemlos vorbei, sogar an einigen Systemen, die einen künstlichen Intelligenz-Teil behaupten.

Wir haben dies auch bei der diagnostischen Bildgebung gesehen. Ein einzelnes legitimes Röntgenbild kann als Keimzelle für Dutzende von künstlich generierten Variationen verwendet werden, die unter verschiedenen gefälschten Patienten eingereicht werden. Ein System ohne Bildvergleichsfunktion sieht 50 einzigartig aussehende Fälle, aber die Realität ist, dass es sich um ein echtes Scan und 49 synthetische Duplikate handelt. Die Bedrohungslandschaft hat sich von isolierten bösen Akteuren zu Personen verschoben, die skalierbare, wiederholbare Schemata mit fast keiner technischen Expertise ausführen können.

Viele traditionelle Betrugserkennungssysteme basieren auf regelbasierten Modellen und manueller Überprüfung. Warum sind diese Ansätze bei der Bekämpfung von künstlich generierten medizinischen Aufzeichnungen oder manipulierten diagnostischen Bildern zunehmend ineffektiv?

Die meisten Betrugserkennungsansätze, ob regelbasiert oder frühere Generationen von künstlicher Intelligenz, basieren auf einer grundlegend fehlerhaften Annahme: dass alle Dokumentation, die in das System eingeht, von einem Menschen erstellt wurde, der normalen klinischen Prozessen folgt. Sobald diese Annahme zusammenbricht, bricht der gesamte Erkennungsansatz zusammen.

Ein Regelmotor kann eine unmögliche Codekombination kennzeichnen, einen Anbieter, der für mehr Stunden in Anspruch nimmt, als in einem Tag existieren, oder ein Verfahren, das an einem verstorbenen Patienten durchgeführt wird. Diese sind alle echte und nützliche Erkennungen. Aber regelbasierte Logik kann nicht überprüfen, ob eine Fortschrittsnotiz von einem Kliniker geschrieben wurde, der tatsächlich einen Patienten gesehen hat, oder von einem künstlichen Intelligenzmodell generiert wurde, das nie Medizin praktiziert hat. Die beiden Ausgaben können strukturell identisch sein.

Manuelle Überprüfung hat dasselbe Dach. Studien zeigen, dass nur etwa 34 % der Menschen ein Deepfake erkennen können, sogar wenn sie wissen, dass eines vorhanden ist und aktiv danach suchen. Ein SIU-Ermittler, der einen Stapel Fortschrittsnotizen überprüft, hat keine spezielle forensische Ausbildung, um synthetischen Text zu erkennen, keine Bildvergleichstools, um geklonte Scans zu erkennen, und nicht genug Stunden am Tag, um eine solche Prüfung auf jeder Rechnung durchzuführen. Das Volumenproblem allein macht eine umfassende manuelle Überprüfung unmöglich, und das war bereits der Fall, bevor generative künstliche Intelligenz die Geschwindigkeit und Sophistikation von betrügerischer Dokumentation beschleunigte.

Es gibt auch eine aufkommende Bedrohung, die ich unterbewertet glaube: was Forscher als Trojan-Deepfake-Engines bezeichnen. Dies sind virusähnliche Agenten, die speziell entwickelt wurden, um Erkennungssoftware zu neutralisieren, indem sie Taktiken wie Bildanalyse-Entgleisung oder böswillige Prompt-Neukonfiguration anwenden. Die adversarische Dynamik ist also nicht nur, dass Betrüger bessere Fälschungen generieren. In einigen Fällen versuchen sie aktiv, die Werkzeuge zu brechen, die gebaut werden, um sie zu erkennen. Diese Wettbewerbsdynamik ist Teil des Grundes, warum statische Erkennungsansätze, ob regelbasiert oder ein festes künstliches Intelligenzmodell, immer zurückbleiben werden. Die Verteidigung muss so adaptiv sein wie der Angriff.

Codoxo hat kürzlich Deepfake-Erkennung eingeführt, um dieses aufkommende Risiko zu bekämpfen. Auf hohem Niveau, wie analysiert die Technologie medizinische Dokumentation und Bilder, um zu bestimmen, ob der Inhalt möglicherweise von künstlicher Intelligenz generiert oder manipuliert wurde?

Das Kern-Designprinzip ist, dass wir Deepfake-Erkennung speziell für Gesundheitsdokumentation entwickelt haben und nicht ein allgemeines künstliches Intelligenz-Werkzeug in einen klinischen Kontext eingeführt haben. Das bedeutet, dass die Modelle auf gesundheitsspezifischen Signalen trainiert werden und nicht aus Tools adaptiert werden, die für andere Branchen oder Anwendungsfälle entwickelt wurden. Diese Unterscheidung ist wichtig, da die Signale, die synthetischen Inhalt in einer medizinischen Aufzeichnung oder einem diagnostischen Bild anzeigen, sich von den Signalen unterscheiden, die in anderen Bereichen relevant sind.

Im Großen und Ganzen analysiert das System medizinische Dokumentation und Bilder neben dem vollständigen Rechnungskontext und tut dies in Sekunden. Wenn ein SIU-Ermittler verdächtige Dokumentation hochlädt, läuft die künstliche Intelligenz die Analyse über mehrere Dimensionen gleichzeitig durch. Es sucht nach Indikatoren für synthetischen oder manipulierten Inhalt, überprüft auf Klon- und Duplizierungsmuster im breiteren Rechnungsgeschichtsverlauf des Zahlens und bewertet die Verhaltenskonsistenz zwischen der Dokumentation und den historischen Mustern des Anbieters.

Eine Sache, die erwähnenswert ist, ist die Breite der Formate, die das System bearbeiten kann. Es bearbeitet Textdokumente in PDF, Word und XML, Tabellenkalkulationen, medizinische Bilder und sogar handschriftliche Notizen. Das ist wichtig in der Praxis, da betrügerische Dokumentation nicht in einem einzigen ordentlichen Format ankommt und ein Erkennungssystem, das nur einen Teil dessen abdeckt, was SIU-Teams erhalten, Lücken lässt, die erfahrene Betrüger schließlich finden werden.

Aus all dieser Analyse generiert das System einen Risikowert auf einer Skala von 0 bis 100 mit detaillierten Erklärungen, sodass der Ermittler versteht, welche Signale den Wert auslösten. Das Ziel bei jedem Schritt ist es, handhabbare Ausgaben zu produzieren, anstatt nur Warnungen, und dies schneller und mit größerer Genauigkeit als ein allgemeineres System zu tun. Geschwindigkeit ist wichtig, da der einzige Eingriffspunkt, der die Betrugsekonomen wirklich ändert, der Punkt ist, bevor die Zahlung geleistet wird.

Ihre Plattform hebt Fähigkeiten wie Klon-Erkennung, Teil-Generierung von künstlicher Intelligenz und Verhaltens-Querbezüge gegenüber der Rechnungshistorie hervor. Könnten Sie uns durchführen, wie diese Signale kombiniert werden, um einen bedeutungsvollen Risikowert für Ermittler zu produzieren?

Jede dieser Fähigkeiten zielt auf ein anderes Betrugsmuster ab, und der Risikowert spiegelt wider, wie sie in einem bestimmten Fall interagieren.

Klon- und Duplizierungserkennung zielen auf das Szenario ab, in dem eine einzelne authentische Aufzeichnung über mehrere gefälschte Patienten repliziert wird. Was es schwierig macht, ohne künstliche Intelligenz zu erkennen, ist, dass die Variationen so subtil sein können, dass kein einzelnes Dokument in sich verdächtig aussieht. Das Muster wird nur sichtbar, wenn man über die gesamte Rechnungspopulation hinwegsieht. Unser System kann aufdecken, dass eine Reihe von Aufzeichnungen, die auf der Oberfläche einzigartig aussehen, tatsächlich Ableitungen einer gemeinsamen Quelle sind.

Teil-Generierung von künstlicher Intelligenz ist wichtig, da erfahrene Betrüger nicht immer ganze Aufzeichnungen von Grund auf fälschen. Ein häufigeres und schwierigeres Muster zu erkennen ist das Mischen, bei dem ein legitimer Patientenakte verwendet wird und künstliche Intelligenz verwendet wird, um gefälschte zusätzliche Dienstleistungen oder Verfahren hinzuzufügen. Die authentischen Abschnitte machen das Dokument glaubwürdig, aber die hinzugefügten Abschnitte stellen Ansprüche für eine nicht erbrachte Versorgung dar. Unser System ist speziell darauf ausgelegt, diese Instanzen zu finden.

Verhaltens-Querbezüge verbinden die zu überprüfende Dokumentation mit der vollständigen Rechnungshistorie des Anbieters. Wenn die Dokumentation klinische Erzählungen präsentiert, die inkonsistent mit der Art und Weise sind, wie der Anbieter ähnliche Fälle in der Vergangenheit dokumentiert hat, oder wenn das Volumen und die Muster der unterstützenden Aufzeichnungen plötzlich von der Grundlinie abweichen, sind diese Inkonsistenzen Signale. Keines von ihnen ist allein schlüssig. Zusammen, gewichtet und im Risikowertausgaben erläutert, geben sie Ermittlern einen bedeutungsvollen Ausgangspunkt, der manuell Stunden oder Tage dauern würde, um zu entwickeln. Was dies von einem System unterscheidet, das einfach künstlich generierten Inhalt kennzeichnet, ist die Kombination von Signalen. Inhaltanalyse allein kann gemischte Dokumente verpassen. Verhaltensanalyse allein kann einen erstmaligen Betrüger ohne vorheriges Muster verpassen. Es ist die Kreuzung aller drei Schichten gleichzeitig, die in Sekunden verarbeitet wird, die das fängt, was andere künstliche Intelligenz-Systeme nicht können.

Was sind aus Ihrer Sicht einige der besorgniserregendsten Deepfake-gestützten Gesundheitsbetrugsschemata, auf die sich Versicherer und Regulierungsbehörden in den nächsten Jahren konzentrieren sollten?

Die Szenarien, die mich am meisten beunruhigen, sind diejenigen, die Skalierbarkeit mit Plausibilität in einer Weise kombinieren, die schwer zu verfolgen ist, selbst mit starker Erkennung.

Verhaltensgesundheit ist ein echtes Risiko. Die Dokumentation für Therapiedienstleistungen ist größtenteils narrativ, einschließlich Sitzungsnotizen, Behandlungsplänen und Fortschrittszusammenfassungen. Es gibt keine Laborwerte, die überprüft werden können, keine Bilder, die untersucht werden können. Ein betrügerischer Anbieter mit Zugang zu einem allgemeinen Sprachmodell kann klinisch plausiblen Verhaltensgesundheitsdokumentation in außergewöhnlichem Umfang erstellen, und die einzige praktikable Möglichkeit, es zu erkennen, ist die Verwendung von künstlicher Intelligenz, die die linguistischen und strukturellen Signaturen synthetischer Generierung bewerten kann.

Diagnostische Bildgebungsbetrug ist ein weiteres Gebiet, das ich genau beobachte. Kostenlose und zugängliche künstliche Intelligenz-Tools können jetzt realistische medizinische Bildvariationen aus einem einzelnen Seed-Bild erzeugen. Wenn diese Tools verbessert werden, werden die synthetischen Ausgaben schwerer zu unterscheiden sein von authentischen Scans ohne speziell entwickelte Erkennung. Zahler, deren Workflows keine Bildforensik-Funktion haben, arbeiten derzeit auf Vertrauen, dass die Bilder, die sie erhalten, echt sind.

Es gibt auch eine aufkommende Besorgnis über Identitäts- und Zulassungsbetrug, bei dem künstlich generierte Dokumentation eine betrügerische Anbieterregistrierung oder vorherige Genehmigung für nicht medizinisch notwendige Dienstleistungen unterstützt. Diese Schemata sind schwerer zu erkennen, da der Betrug in den Aufnahmeprozess eingebettet ist und nicht in die Rechnung selbst, und sobald er in den Abrechnungsdaten sichtbar wird, ist der Schaden bereits angerichtet.

Gesundheitsrechnungen beinhalten oft große Mengen an Dokumentation und unterstützenden Beweisen. Wie kann ein künstliches Intelligenz-System diese Informationen schnell genug auswerten, um betrügerische Rechnungen zu stoppen, bevor die Zahlung geleistet wird?

Geschwindigkeit ist tatsächlich eine Kernanforderung, kein Nice-to-Have. Das Deepfake-Erkennungssystem ist in der Praxis nur nützlich, wenn es mit der Geschwindigkeit der Rechnungs-Pipeline arbeitet. Wenn die Analyse Stunden oder Tage dauert oder eine manuelle Überprüfung erfordert, haben Sie den Vorzahlungszeitpunkt bereits verpasst und sind wieder auf die Erholung von Geld zurückgeworfen, das bereits das System verlassen hat.

Unser System ist so konzipiert, dass es die Analyse in Sekunden abgeschlossen hat. Wenn Dokumentation zur Überprüfung eingereicht wird, läuft die künstliche Intelligenz ihre Bewertung parallel und nicht sequenziell durch. Synthetische Inhaltanalyse, Duplizierungskontrollen und Verhaltens-Querbezüge finden gleichzeitig statt, anstatt in einer Kette. Die Ausgabe ist ein Risikowert mit detaillierten Erklärungen, sodass der Ermittler nicht die rohen Signale interpretieren muss. Er erhält ein priorisiertes, handhabbares Ergebnis. Die parallele Architektur ist Teil dessen, was es uns ermöglicht, dies schneller und mit größerer Genauigkeit zu tun. Die gleichzeitige Ausführung aller drei Signal-Schichten bedeutet, dass der Risikowert das vollständige Bild eines Falls widerspiegelt, nicht nur die erste Flagge, die auftritt.

Der breitere Punkt hier ist, dass die Verschiebung, für die wir bei Codoxo eintreten, was wir Point Zero nennen, darin besteht, die Zahlungsintegritätseingriffe so weit wie möglich nach vorne zu verlagern. Die Erkennung einer betrügerischen Rechnung, bevor die Zahlung geleistet wird, ist dramatisch effizienter als die Erholung einer Überzahlung nach dem Zahlungsdatum. Die Erholung ist teuer, langsam und oft unvollständig. Die Verhinderung auf der Ebene der Dokumenten- und Beweisvalidierung ändert die Ökonomie des gesamten Problems.

Betrugserkennungstools müssen für Ermittler, Prüfer und Regulierungsbehörden erklärbar sein. Wie stellen Sie sicher, dass künstlich intelligente Risikowerte verständlich und vertrauenswürdig für Spezialermittlungseinheiten und Zahlungsintegritätsteams sind?

Erklärbarkeit ist in diesem Bereich nicht optional. Wenn ein SIU-Ermittler auf einen Risikowert reagieren soll, ob es darum geht, eine Rechnung zurückzuhalten, einen Fall zu eröffnen oder eine Überweisung für eine Strafverfolgung zu erstellen, muss er in der Lage sein, zu erklären, was das System gefunden hat und warum. Eine Black-Box-Ausgabe, die einfach “hohes Risiko” sagt, ist in einem Workflow, der rechtliche und regulatorische Verantwortung beinhaltet, kein nützliches Werkzeug.

Jeder Risikowert, den unser System generiert, enthält spezifische Betrugshinweise, die die Signale umfassen, die den Wert auslösten, die Muster, die identifiziert wurden, und die Inkonsistenzen, die aufgedeckt wurden. Der Ermittler kann der Logik vom Wert zur Beweise folgen. Diese Spezifität ist nur möglich, weil die zugrunde liegende Erkennung speziell für Gesundheitsdokumentation entwickelt wurde.

Wir haben auch eine benutzerdefinierte Prompt-Funktion integriert, die es Ermittlern ermöglicht, die Analyse für spezifische Ermittlungsszenarien und einzigartige Betrugsmuster anzupassen. Das ist wichtig für die Erklärbarkeit in der Praxis, da es bedeutet, dass das System nicht eine einheitliche Analyse durchführt und Ermittler auffordert, generische Ausgaben zu interpretieren. Sie können die Anfrage basierend auf dem formen, wonach sie in einem bestimmten Fall suchen, was die Ergebnisse nützlicher und einfacher zu erklären macht, sowohl für Prüfer als auch in rechtlichen Verfahren.

Auf der regulatorischen Seite erhöhen OIG, CMS und staatliche Behörden die Kontrolle darüber, wie Organisationen künstliche Intelligenz in der Betrugsprävention einsetzen. Es ist nicht nur gute Praxis, sondern auch ein Bestandteil der verantwortungsvollen Einrichtung, die Interpretierbarkeit und Prüfbarkeit der Erkennungsmethode nachzuweisen, was das Compliance-Risiko reduziert.

Da generative künstliche Intelligenz weiter verbessert wird, werden Betrüger wahrscheinlich komplexer werden. Wie entwickelt Codoxo seine Modelle, um kontinuierlich anzupassen, wenn neue Formen synthetischer medizinischer Dokumentation auftauchen?

Die Herausforderung besteht darin, dass Betrug von Natur aus adversativ ist. Wenn die Erkennung verbessert wird, entwickeln sich die Taktiken auf der anderen Seite weiter. Jedes System, das einmal trainiert und ohne Aktualisierung bereitgestellt wird, wird im Laufe der Zeit abnehmen, da Betrüger lernen, was es auslöst, und sich anpassen. Das ist dasselbe grundlegende Problem, das jeden statischen Erkennungsansatz unzureichend macht, ob regelbasiert oder ein festes künstliches Intelligenzmodell. Die Sophistikation des Tools ist nicht wichtig, wenn die zugrunde liegende Architektur nicht mit der Bedrohung Schritt halten kann.

Unser Ansatz besteht darin, die Erkennung als kontinuierlich aktualisierte Fähigkeit und nicht als festes Produkt zu behandeln. Wenn neue Betrugsmuster im System auftauchen und künstliche Intelligenz-Generierungstechniken evolvieren, füttern diese Muster die Modellverbesserung. Das System ist so konzipiert, dass es besser darin wird, die aufkommende Bedrohung zu erkennen, nicht nur die Bedrohungen, die bei der Bereitstellung bestanden. Dies ist wichtig angesichts des Tempos, mit dem generative künstliche Intelligenz voranschreitet, und der Geschwindigkeit, mit der Betrüger mit neuen Ansätzen experimentieren, einschließlich einiger adversativer Techniken wie Trojan-Deepfake-Engines, die darauf ausgelegt sind, Erkennung zu untergraben.

Das wird ein anhaltender Wettbewerb sein. Es gibt keinen endgültigen, gelösten Zustand. Das Engagement, das wir eingegangen sind, besteht darin, die Erkennungskapazitäten mit der Bedrohung aktuell zu halten, und unsere Architektur ist es, die dies im großen Maßstab ermöglicht.

Blickt man in die Zukunft, glauben Sie, dass Deepfake-Erkennung ein Standardbestandteil der Gesundheitsinfrastruktur wird, ähnlich wie Anti-Geldwäsche-Systeme in der Finanzbranche, oder wird die Branche ganz neue Ansätze für Vertrauen und Überprüfung in medizinischen Daten benötigen?

Ich denke, dass Deepfake-Erkennung ein Standard-Infrastrukturkomponent werden wird, und der Zeitraum dafür ist kürzer, als die meisten Menschen in der Branche erwarten. Bevor AML-Rahmen in den Finanzdienstleistungen Standard wurden, verließ sich die Branche stark auf regelbasierte Erkennung und manuelle Überprüfung. Der Wechsel erfolgte, als die Bedrohung ein Ausmaß erreichte, das reaktive Erkennung offensichtlich unzureichend machte, und als die regulatorische Umgebung die Erwartung verankerte, dass Finanzinstitute systematische, kontinuierlich aktualisierte Kontrollen haben würden. Das Gesundheitswesen nähert sich einem ähnlichen Wendepunkt.

Was bereits passiert, ist, dass die Zahler, die Deepfake-Erkennung jetzt bereitstellen, dies tun, weil die Bedrohung real und aktuell ist, und nicht, weil die Regulierung es erfordert. Wenn diese frühen Bereitstellungen Beweise für die verhinderten Verluste liefern, und wenn künstlich generierte Betrugsschemata in Vollzugsmaßnahmen und öffentlichen Berichten sichtbarer werden, wird die Erwartung sich über die gesamte Branche erstrecken.

Wenn man in die Zukunft blickt, wird die Branche möglicherweise die Art und Weise, wie Dokumentenauthentizität am Erstellungspunkt hergestellt wird, neu bewerten, anstatt sie nachträglich zu überprüfen. Das könnte kryptographische Beweisführung von klinischen Aufzeichnungen auf der EHR-Ebene, Anbieteridentitätsüberprüfung, die in den Dokumentationsworkflow integriert ist, oder andere Mechanismen umfassen, die den Ursprung eines Dokuments in einer Weise nachweisbar machen, wie es derzeit nicht der Fall ist. Erkennung auf der Rechnungsebene ist eine notwendige Reaktion auf die aktuelle Bedrohung. Die dauerhafte Lösung kann jedoch die Einbindung von Überprüfung tiefer in die Infrastruktur der Erstellung und Übermittlung medizinischer Aufzeichnungen erfordern.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Codoxo besuchen.