Dr. Musheer Ahmed, PhD, Fundador y CEO de Codoxo – Serie de Entrevistas

Dr. Musheer Ahmed, PhD, Fundador y CEO de Codoxo es un tecnólogo y emprendedor enfocado en aplicar la inteligencia artificial para resolver ineficiencias sistémicas en la atención médica. Fundó Codoxo basado en la investigación desarrollada durante su doctorado en el Instituto de Tecnología de Georgia, donde construyó los cimientos de un enfoque de inteligencia artificial patentado para detectar fraude, desperdicio y abuso en reclamaciones médicas. Bajo su liderazgo, la empresa ha crecido hasta convertirse en un proveedor de soluciones de integridad de pago impulsadas por inteligencia artificial, ayudando a las organizaciones de atención médica a identificar riesgos más temprano y cambiar de auditorías reactivas a la contención proactiva de costos. Su experiencia anterior en inteligencia de seguridad en VeriSign (VRSN ), donde trabajó en la identificación de amenazas cibernéticas emergentes y vulnerabilidades, dio forma a su enfoque en el uso de análisis avanzados y aprendizaje automático para descubrir patrones ocultos en entornos de datos complejos.

Codoxo es una empresa de inteligencia artificial para la atención médica enfocada en reducir ineficiencias y costos innecesarios en todo el sistema de atención médica a través de su Plataforma de Inteligencia Forense. La plataforma utiliza algoritmos patentados y aprendizaje automático para analizar vastos volúmenes de datos de reclamaciones, identificando comportamientos sospechosos, anomalías de facturación y patrones de fraude emergentes más temprano que los sistemas tradicionales. Al permitir que los pagadores de la atención médica, las agencias gubernamentales y los administradores de beneficios de farmacia intervengan antes o durante el proceso de reclamaciones, Codoxo cambia a la industria hacia la integridad de pago proactiva en lugar de la recuperación retrospectiva. Su plataforma de contención de costos unificada más amplia integra la minería de datos, la educación del proveedor, los flujos de trabajo de auditoría y la gestión de casos, ayudando a las organizaciones a mejorar la precisión, reducir los sobrepagos y optimizar las operaciones mientras abordan cientos de miles de millones de dólares perdidos anualmente debido al fraude, el desperdicio y el abuso.

Usted fundó Codoxo después de investigar la detección de fraude en la atención médica durante su doctorado en Georgia Tech. ¿Qué lo convenció de que la inteligencia artificial podría cambiar fundamentalmente la forma en que se detecta el fraude, el desperdicio y el abuso en los sistemas de atención médica?

Me convencí no por un momento en particular, sino al confrontar cómo estaba fallando el enfoque existente. El fraude en la atención médica en los EE. UU. representa alrededor de $330 mil millones perdidos anualmente. Eso es más que cualquier otra forma de fraude de seguros en el país combinado, y sin embargo, los métodos de detección dominantes solo podían capturar lo que ya habían sido entrenados para buscar. Incluso cuando la inteligencia artificial entró en escena, la mayoría de los enfoques eran reactivos, coincidiendo con patrones de fraude conocidos en lugar de surfacer los desconocidos. El momento que lo cristalizó para mí fue darme cuenta de que el fraude no es un problema estático. Los malos actores se adaptan. Aprenden qué dispara una bandera y la evitan. Un sistema construido sobre reglas fijas siempre está detrás.

Lo que ofrece la inteligencia artificial es la capacidad de surfacer patrones que nadie pensó en programar de antemano. Durante mi trabajo de disertación en Georgia Tech, estaba construyendo modelos que podían mirar a través de la historia completa de reclamaciones de un proveedor, identificar anomalías conductuales y conectar señales que un analista humano o un motor de reglas nunca vincularía. El grupo asesor JASON, que asesora al gobierno de los EE. UU. sobre ciencia y tecnología, reconoció que el trabajo abordaba brechas estructurales reales en la forma en que se utilizaban los datos de salud para la integridad de pago. Ese reconocimiento me dijo que el problema era lo suficientemente serio como para construir una empresa alrededor.

La convicción fundamental que me impulsó entonces es la misma que impulsa lo que estamos construyendo en Codoxo ahora: los datos de reclamaciones de atención médica contienen la señal que necesitas para atrapar el fraude, pero solo puedes extraerla con inteligencia artificial que pueda mirar la imagen completa, rápidamente y con precisión, en lugar de verificar casillas.

El fraude en la atención médica ha sido durante mucho tiempo un problema de miles de millones de dólares, pero la inteligencia artificial generativa parece estar acelerándolo dramáticamente. ¿Cómo ha cambiado el surgimiento de herramientas capaces de producir documentación clínica convincente y imágenes diagnósticas el panorama de amenazas para los aseguradores de salud y los equipos de integridad de pago?

Lo ha cambiado de una manera fundamental, y la industria aún no ha absorbido completamente lo significativo que es ese cambio. El modelo antiguo de fraude documental requería esfuerzo manual. Un mal actor que cometía fraude tenía que fabricar notas una a una, alterar imágenes individualmente y crear registros que fueran lo suficientemente plausibles como para sobrevivir a la revisión. Esa fricción creó un techo natural en la escala de cualquier esquema.

La inteligencia artificial generativa eliminó ese techo. Hoy en día, cualquier persona puede pedirle a un modelo de lenguaje grande que produzca 50 notas de sesión de terapia para el tratamiento de la ansiedad y recibirlas en menos de cinco minutos. Esas notas usarán terminología clínica adecuada, seguirán una estructura narrativa plausible y parecerán consistentes internamente. La mayoría de los sistemas de detección de fraude no fueron diseñados para evaluar si un documento es auténtico o sintético. Fueron diseñados para verificar si los códigos de facturación se aplicaron correctamente, marcar patrones conocidos y coincidir con firmas de fraude existentes. Así que la documentación sintética pasa directamente, incluso más allá de algunos sistemas que afirman tener un componente de inteligencia artificial.

También hemos visto esto con la imagen diagnóstica. Una sola radiografía legítima se puede usar como semilla para docenas de variaciones generadas por inteligencia artificial, cada una presentada bajo un paciente fabricado diferente. Un sistema sin capacidad de comparación de imágenes ve 50 casos únicos, pero la realidad es una escaneo real y 49 duplicados sintéticos. El panorama de amenazas ha cambiado de actores aislados a personas que pueden ejecutar esquemas escalables y repetibles con casi ninguna experiencia técnica requerida.

Muchos sistemas de detección de fraude tradicionales dependen de modelos basados en reglas y revisión manual. ¿Por qué estos enfoques son cada vez más ineficaces al lidiar con registros médicos generados por inteligencia artificial o imágenes diagnósticas manipuladas?

La mayoría de los enfoques de detección de fraude, ya sean basados en reglas o en inteligencia artificial de generaciones anteriores, operan en una suposición fundamentalmente defectuosa en este momento: que toda la documentación que ingresa al sistema fue creada por un ser humano siguiendo procesos clínicos normales. Una vez que se rompe esa suposición, todo el enfoque de detección se rompe con ella.

Un motor de reglas puede marcar una combinación de códigos imposible, un proveedor que factura por más horas de las que existen en un día, o un procedimiento realizado en un paciente fallecido. Estos son atrapamientos reales y útiles. Pero la lógica basada en reglas no puede mirar una nota de progreso y determinar si fue escrita por un clínico que realmente vio a un paciente o generada por un modelo de inteligencia artificial que nunca practicó la medicina. Las dos salidas pueden ser estructuralmente idénticas.

La revisión manual tiene el mismo techo. Los estudios muestran que solo alrededor del 34% de las personas pueden identificar un deepfake incluso cuando se les ha dicho que uno está presente y están buscándolo activamente. Un investigador de SIU que revisa un montón de notas de progreso no tiene capacitación forense especializada para detectar texto sintético, no tiene herramientas de comparación de imágenes para detectar escaneos clonados, y no tiene suficientes horas en el día para realizar ese nivel de escrutinio en cada reclamación. El problema de volumen solo hace que la revisión manual integral sea imposible, y eso era cierto antes de que la inteligencia artificial generativa comenzara a acelerar el volumen y la sofisticación de la documentación fraudulenta.

Hay una amenaza emergente que creo que es subestimada: lo que los investigadores llaman motores de deepfake troyanos. Estos son agentes similares a virus diseñados específicamente para neutralizar el software de detección, trabajando a través de tácticas como la desviación del análisis de imágenes o la reingeniería de prompts maliciosos. Así que la dinámica adversarial no es solo fraudesters generando mejores falsificaciones. En algunos casos, están tratando activamente de romper las herramientas que se están construyendo para atraparlos. Esa dinámica de carrera armamentista es parte de por qué los enfoques de detección estáticos, ya sean basados en reglas o en un modelo de inteligencia artificial que no está diseñado para actualizarse, siempre se quedarán atrás. La defensa tiene que ser tan adaptativa como la ofensiva.

Codoxo lanzó recientemente Detección de Deepfake para abordar este riesgo emergente. A alto nivel, ¿cómo analiza la tecnología la documentación médica y las imágenes para determinar si el contenido puede haber sido generado o manipulado por inteligencia artificial?

El principio de diseño fundamental es que construimos la Detección de Deepfake específicamente para la documentación de la atención médica, en lugar de adaptar una herramienta de detección de inteligencia artificial general a un contexto clínico. Eso significa que los modelos están entrenados en señales específicas de la atención médica, no adaptados de herramientas construidas para otras industrias o casos de uso. Esa distinción importa porque las señales que indican contenido sintético en un registro médico o una imagen diagnóstica son diferentes a las señales relevantes en otros dominios.

A alto nivel, el sistema analiza la documentación médica y las imágenes junto con el contexto completo de la reclamación, y lo hace en segundos. Cuando un investigador de SIU carga documentación sospechosa, la inteligencia artificial ejecuta el análisis en múltiples dimensiones simultáneamente. Busca indicadores de contenido sintético o manipulado, verifica patrones de clonación y duplicación en la historia de reclamaciones más amplia del pagador, y evalúa la consistencia conductual entre la documentación y los patrones históricos del proveedor.

Una cosa digna de mención es el alcance de formatos que el sistema puede trabajar. Maneja documentos de texto en PDF, Word y XML, hojas de cálculo, imágenes médicas y sogar notas manuscritas. Eso importa en la práctica porque la documentación fraudulenta no llega en un solo formato ordenado, y un sistema de detección que solo cubre algunos de los que los equipos de SIU reciben deja brechas que los fraudesters sofisticados eventualmente encontrarán.

De todo ese análisis, el sistema genera una puntuación de riesgo en una escala de 0 a 100 con explicaciones detalladas adjuntas, para que el investigador comprenda exactamente qué señales impulsaron la puntuación. El objetivo en cada paso es producir resultados accionables en lugar de solo alertas, y hacerlo más rápido y con mayor precisión que un sistema más generalizado. La velocidad importa porque el único punto de intervención que cambia significativamente la economía del fraude es antes de que se realice el pago.

Su plataforma destaca capacidades como la detección de clonación, la identificación de generación parcial de inteligencia artificial y la referencia conductual cruzada con la historia de reclamaciones. ¿Podría explicar cómo se combinan estas señales para producir una puntuación de riesgo significativa para los investigadores?

Cada una de esas capacidades aborda un patrón de fraude diferente, y la puntuación de riesgo refleja cómo interactúan en un caso específico.

La detección de clonación y duplicación aborda el escenario en el que un registro auténtico se replica a través de múltiples pacientes fabricados. Lo que hace que esto sea difícil de atrapar sin inteligencia artificial es que las variaciones pueden ser lo suficientemente sutiles como para que ningún documento parezca sospechoso en aislamiento. El patrón solo se vuelve visible cuando se compara a través de la población completa de reclamaciones. Nuestro sistema puede surfacear que un conjunto de registros que parecen únicos en la superficie son en realidad derivados de una fuente común.

La detección de generación parcial de inteligencia artificial es importante porque los fraudesters sofisticados no siempre están fabricando registros completos desde cero. Un patrón más común y más difícil de atrapar es la mezcla, que significa tomar un registro de paciente legítimo y usar inteligencia artificial para agregar servicios o procedimientos fabricados adicionales. Las secciones auténticas hacen que el documento parezca creíble, pero las secciones agregadas representan reclamaciones por atención que nunca se brindó. Nuestro sistema está específicamente ajustado para encontrar estas instancias.

La referencia conductual cruzada conecta la documentación que se está revisando con la historia completa de reclamaciones del proveedor. Si la documentación presenta narrativas clínicas que son inconsistentes con la forma en que el proveedor ha documentado históricamente casos similares, o si el volumen y el patrón de registros de apoyo desvían repentinamente de la línea de base, esas inconsistencias son señales. Por sí solas, ninguna de ellas es concluyente. Juntas, ponderadas y explicadas en la salida de la puntuación de riesgo, dan a los investigadores un punto de partida significativo que tomaría horas o días desarrollar manualmente. Lo que hace que esto sea diferente de un sistema que simplemente marca contenido generado por inteligencia artificial es la combinación de señales. El análisis de contenido solo puede perder documentos mezclados. El análisis conductual solo puede perder a un fraudester con ningún patrón previo. Es la intersección de las tres capas simultáneamente, procesadas en segundos, lo que atrapa lo que otros sistemas de inteligencia artificial no pueden.

Desde su perspectiva, ¿cuáles son algunos de los esquemas de fraude de atención médica habilitados por deepfake más preocupantes que los aseguradores y los reguladores deberían estar vigilando en los próximos años?

Los escenarios que más me preocupan son aquellos que combinan escala con plausibilidad de maneras que son difíciles de rastrear, incluso con detección sólida.

La salud conductual es una verdadera vulnerabilidad. La documentación para los servicios de terapia es en gran parte narrativa, incluyendo notas de sesión, planes de tratamiento y resúmenes de progreso. No hay valores de laboratorio para cruzar, no hay imágenes para examinar. Un proveedor fraudulento con acceso a un modelo de lenguaje generalista puede generar documentación de salud conductual clínicamente plausible a un volumen extraordinario, y la única forma práctica de detectarlo es usar inteligencia artificial que pueda evaluar si la documentación muestra las firmas lingüísticas y estructurales de la generación sintética.

El fraude de imágenes diagnósticas es el otro área que sigo de cerca. Las herramientas de inteligencia artificial gratuitas y accesibles ahora pueden generar variaciones realistas de imágenes médicas a partir de una sola imagen de semilla. A medida que esas herramientas mejoran, las salidas sintéticas se volverán más difíciles de distinguir de los escaneos auténticos sin detección de imágenes forenses especializadas. Los pagadores cuyos flujos de trabajo no tienen capacidad de forensia de imágenes están, en este punto, operando sobre la confianza de que las imágenes que reciben son reales.

Hay una preocupación emergente alrededor del fraude de identidad y acreditación, donde la documentación generada por inteligencia artificial apoya la inscripción fraudulenta de proveedores o la autorización previa para servicios que nunca fueron médicamente necesarios. Estos esquemas son más difíciles de detectar porque el fraude está incrustado en el proceso de admisión en lugar de las reclamaciones en sí, y una vez que se manifiesta en los datos de facturación, el daño ya está hecho.

Las reclamaciones de atención médica a menudo involucran grandes volúmenes de documentación y evidencia de apoyo. ¿Cómo evalúa un sistema de inteligencia artificial esa información lo suficientemente rápido como para detener reclamaciones fraudulentas antes de que se realice el pago?

La velocidad es en realidad un requisito de diseño fundamental, no un buen-to-have. La única forma en que la Detección de Deepfake es útil en la práctica es si opera a la velocidad de la tubería de reclamaciones. Si el análisis tarda horas o requiere que un humano inicie una cola de revisión, ya has perdido la ventana de pre-pago, y estás de vuelta a hacer trabajo de recuperación después de que el dinero ha salido del sistema.

Nuestro sistema está diseñado para completar el análisis en segundos. Cuando se presenta documentación para revisión, la inteligencia artificial está ejecutando su evaluación en paralelo en lugar de secuencialmente. El análisis de contenido sintético, las verificaciones de duplicación y la referencia conductual cruzada están sucediendo simultáneamente en lugar de en una cadena. La salida es una puntuación de riesgo con explicaciones detalladas, para que el investigador no tenga que interpretar señales de información cruda. Obtienen un resultado accionable priorizado. La arquitectura paralela es parte de lo que nos permite hacer esto más rápido y con mayor precisión. Ejecutar todas las capas de señales de forma simultánea significa que la puntuación de riesgo refleja la imagen completa de un caso, no solo la primera bandera que se presentó.

El punto más amplio aquí es que el cambio que estamos impulsando en todo el trabajo de Codoxo, lo que llamamos Punto Cero, es mover la intervención de integridad de pago lo más aguas arriba posible. Atrapar una reclamación fraudulenta antes del pago es dramáticamente más eficiente que recuperar un sobre-pago después de los hechos. La recuperación es costosa, lenta y a menudo incompleta. La prevención en la etapa de validación de documentación y evidencia cambia la economía de todo el problema.

Las herramientas de detección de fraude deben ser explicables a los investigadores, auditores y reguladores. ¿Cómo garantiza que las puntuaciones de riesgo generadas por inteligencia artificial puedan ser entendidas y confiadas por las Unidades de Investigación Especial y los equipos de integridad de pago?

La explicabilidad no es opcional en este dominio. Si un investigador de SIU va a actuar sobre una puntuación de riesgo, ya sea que detenga una reclamación, abra un caso o construya una referencia para enjuiciamiento, necesita poder articular qué encontró el sistema y por qué. Una salida de caja negra que dice “alto riesgo” no es una herramienta útil en un flujo de trabajo que tiene responsabilidad legal y regulatoria adjunta a él.

Cada puntuación de riesgo que nuestro sistema genera incluye indicadores de fraude específicos, que pueden incluir las señales que impulsaron la puntuación, los patrones identificados y las inconsistencias que se presentaron. El investigador puede seguir la lógica desde la puntuación hasta la evidencia. Ese nivel de especificidad solo es posible porque la detección subyacente está construida específicamente para la documentación de la atención médica.

También construimos una capacidad de prompting personalizada, que permite a los investigadores adaptar el análisis para escenarios de investigación específicos y patrones de fraude únicos. Eso es importante para la explicabilidad en la práctica porque significa que el sistema no está ejecutando un análisis de un-tamaño-para-todos y pidiendo a los investigadores que interpreten salidas genéricas. Pueden dar forma a la investigación basada en lo que están buscando en un caso determinado, lo que hace que los resultados sean más útiles y fáciles de explicar a auditores o en procedimientos legales.

En el lado regulatorio, OIG, CMS y agencias estatales están aumentando la escrutinio sobre cómo las organizaciones utilizan la inteligencia artificial en la prevención de fraude. Ser capaz de demostrar que su metodología de detección es interpretable y auditable no es solo una buena práctica, es un componente de la implementación responsable que reduce el riesgo de cumplimiento.

¿Cómo diseña Codoxo sus modelos para adaptarse continuamente a medida que surgen nuevas formas de documentación médica sintética?

El desafío es que el fraude es adversarial por naturaleza. A medida que la detección mejora, las tácticas del otro lado evolucionan. Cualquier sistema entrenado una vez y desplegado sin actualizaciones degradará con el tiempo, a medida que los fraudesters aprenden qué dispara y ajustan. Ese es el mismo problema fundamental que hace que cualquier enfoque de detección estático sea inadecuado, ya sea basado en reglas o en un modelo de inteligencia artificial que no está diseñado para actualizarse. La sofisticación de la herramienta no importa si la arquitectura subyacente no puede seguir el ritmo de la amenaza.

Nuestro enfoque es tratar la detección como una capacidad que se actualiza continuamente, en lugar de un producto fijo. A medida que surgen nuevos patrones de fraude en el sistema y a medida que las técnicas de generación de inteligencia artificial evolucionan, esos patrones se retroalimentan en la mejora del modelo. El sistema está diseñado para mejorar en la identificación de la amenaza emergente, no solo de las amenazas que existían en el momento del despliegue. Esto es importante dado el ritmo al que la inteligencia artificial generativa está avanzando y la velocidad a la que los fraudesters están experimentando con nuevos enfoques, incluyendo algunas técnicas adversariales como los motores de deepfake troyanos que están diseñados para socavar la detección.

Esto será un concurso continuo. No hay un estado final resuelto. El compromiso que hemos hecho es mantener las capacidades de detección actualizadas con la amenaza, y nuestra arquitectura agente es lo que hace que eso sea posible a escala.

Mirando hacia adelante, ¿cree que la detección de deepfake se convertirá en un componente estándar de la infraestructura de la atención médica, similar a cómo operan los sistemas anti-lavado de dinero en las finanzas, o si la industria necesitará enfoques completamente nuevos para la confianza y la verificación en los datos médicos?

Creo que la Detección de Deepfake se convertirá en infraestructura estándar, y la línea de tiempo para eso es más corta de lo que la mayoría de la gente en la industria espera. Antes de que los marcos de lucha contra el lavado de dinero se convirtieran en estándar en los servicios financieros, la industria también dependía en gran medida de la detección basada en reglas y la revisión manual. El cambio sucedió cuando la amenaza alcanzó una escala que hizo que la detección reactiva fuera claramente inadecuada, y cuando el entorno regulatorio codificó la expectativa de que las instituciones financieras tendrían controles sistemáticos y actualizados en su lugar. La atención médica está acercándose a un punto de inflexión similar.

Lo que ya está sucediendo es que los pagadores que están desplegando la detección de deepfake ahora lo están haciendo porque la amenaza es real y presente, no porque la regulación lo exija. A medida que esos despliegues iniciales generen evidencia de las pérdidas que se están evitando, y a medida que los esquemas de fraude generados por inteligencia artificial se vuelvan más visibles en las acciones de aplicación de la ley y la informes públicos, la expectativa se ampliará en toda la industria.

Mirando hacia adelante, a medida que la inteligencia artificial generativa continúa mejorando, la industria puede necesitar repensar cómo se establece la autenticidad de la documentación en el punto de creación en lugar de validarse después del hecho. Eso podría significar la atestación criptográfica de registros clínicos a nivel de historia clínica electrónica, la verificación de la identidad del proveedor integrada en el flujo de trabajo de documentación, o otros mecanismos que hacen que el origen de un documento sea rastreable de maneras que actualmente no es. La detección en el nivel de reclamaciones es una respuesta necesaria a la amenaza actual. Pero la solución duradera puede requerir la construcción de verificación más profunda en la infraestructura de cómo se crean y transmiten los registros médicos.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Codoxo.