Dr. Musheer Ahmed, PhD, Pendiri dan CEO Codoxo – Seri Wawancara

Dr. Musheer Ahmed, PhD, Pendiri dan CEO Codoxo adalah seorang teknolog dan wirausaha yang fokus menerapkan kecerdasan buatan untuk memecahkan ketidakefisienan sistemik di bidang kesehatan. Ia mendirikan Codoxo berdasarkan penelitian yang dikembangkan selama PhD-nya di Georgia Institute of Technology, di mana ia membangun fondasi untuk pendekatan AI yang dipatenkan untuk mendeteksi penipuan, pemborosan, dan penyalahgunaan dalam klaim medis. Di bawah kepemimpinannya, perusahaan tersebut telah tumbuh menjadi penyedia solusi integritas pembayaran yang didorong oleh AI, membantu organisasi kesehatan mengidentifikasi risiko lebih awal dan beralih dari audit reaktif ke konten biaya proaktif. Pengalaman sebelumnya dalam kecerdasan keamanan di VeriSign, di mana ia bekerja pada mengidentifikasi ancaman siber yang muncul dan kerentanan, membentuk fokusnya pada menggunakan analitik lanjutan dan pembelajaran mesin untuk mengungkap pola tersembunyi dalam lingkungan data yang kompleks.

Codoxo adalah perusahaan kesehatan AI yang fokus mengurangi ketidakefisienan dan biaya yang tidak perlu di seluruh sistem kesehatan melalui Platform AI Forensik. Platform ini menggunakan algoritma yang dipatenkan dan pembelajaran mesin untuk menganalisis volume besar data klaim, mengidentifikasi perilaku yang mencurigakan, anomali billing, dan pola penipuan yang muncul lebih awal daripada sistem tradisional. Dengan memungkinkan pembayar kesehatan, lembaga pemerintah, dan manajer manfaat farmasi untuk campur tangan sebelum atau selama proses klaim, Codoxo menggeser industri menuju integritas pembayaran proaktif daripada pemulihan retrospektif. Platform konten biaya yang lebih luas mengintegrasikan penambangan data, pendidikan penyedia, alur audit, dan manajemen kasus, membantu organisasi meningkatkan akurasi, mengurangi pembayaran berlebih, dan merampingkan operasi sambil mengatasi kerugian yang diperkirakan mencapai ratusan miliar dolar setiap tahunnya karena penipuan, pemborosan, dan penyalahgunaan.

Anda mendirikan Codoxo setelah melakukan penelitian tentang deteksi penipuan kesehatan selama PhD Anda di Georgia Tech. Apa yang pertama kali meyakinkan Anda bahwa AI dapat secara mendasar mengubah cara penipuan, pemborosan, dan penyalahgunaan dideteksi dalam sistem kesehatan?

Saya menjadi yakin tidak oleh satu momen, tetapi oleh konfrontasi dengan betapa buruknya pendekatan yang ada gagal. Penipuan kesehatan di AS mewakili sekitar $330 miliar yang hilang setiap tahunnya. Itu lebih dari setiap bentuk penipuan asuransi lainnya di negara ini, dan yet metode deteksi yang dominan hanya dapat menangkap apa yang sudah mereka pelajari sebelumnya. Bahkan ketika AI memasuki gambaran, sebagian besar pendekatan masih reaktif, mencocokkan pola yang sudah diketahui daripada mengungkap yang tidak diketahui. Momen yang mengkristalisasi itu untuk saya adalah menyadari bahwa penipuan bukanlah masalah statis. Pelaku jahat beradaptasi. Mereka belajar apa yang memicu bendera dan menghindarinya. Sistem yang dibangun berdasarkan aturan tetap, oleh definisi, selalu ketinggalan.

Apa yang ditawarkan AI adalah kemampuan untuk mengungkap pola yang tidak pernah dipikirkan untuk diprogram sebelumnya. Selama pekerjaan disertasi saya di Georgia Tech, saya membangun model yang dapat melihat sepanjang riwayat klaim penyedia, mengidentifikasi anomali perilaku, dan menghubungkan sinyal yang tidak akan pernah dihubungkan oleh analis manusia atau mesin aturan. Kelompok penasihat JASON, yang memberi saran kepada pemerintah AS tentang sains dan teknologi, mengakui bahwa pekerjaan itu sebagai mengatasi celah struktural nyata dalam penggunaan data kesehatan untuk integritas pembayaran. Pengakuan itu memberitahu saya bahwa masalahnya cukup serius untuk membangun perusahaan di sekitarnya.

Keyakinan inti yang menggerakkan saya saat itu adalah sama dengan yang mendorong apa yang kami bangun di Codoxo sekarang: data klaim kesehatan mengandung sinyal yang Anda butuhkan untuk menangkap penipuan, tetapi Anda hanya dapat mengekstraknya dengan AI yang dapat melihat gambaran penuh, cepat dan akurat, bukan dengan memeriksa kotak.

Penipuan kesehatan telah lama menjadi masalah miliaran dolar, tetapi AI generatif tampaknya mempercepatnya secara dramatis. Bagaimana munculnya alat yang dapat menghasilkan dokumentasi klinis dan gambar diagnostik yang meyakinkan telah mengubah lanskap ancaman bagi perusahaan asuransi kesehatan dan tim integritas pembayaran?

Hal itu telah mengubahnya dengan cara yang mendasar, dan industri belum sepenuhnya menyerap seberapa signifikan pergeseran itu. Model lama penipuan dokumen memerlukan upaya manual. Seorang pelaku jahat yang melakukan penipuan harus memalsukan catatan satu per satu, mengubah gambar secara individual, dan menciptakan catatan yang cukup kredibel untuk bertahan dari tinjauan. Gesekan itu menciptakan langit-langit alami untuk skala skema apa pun.

AI generatif menghilangkan langit-langit itu. Hari ini, siapa saja dapat meminta model bahasa besar untuk menghasilkan 50 catatan sesi terapi untuk pengobatan kecemasan dan menerimanya dalam waktu kurang dari lima menit. Catatan-catatan tersebut akan menggunakan terminologi klinis yang tepat, mengikuti struktur naratif yang masuk akal, dan terlihat konsisten secara internal. Sebagian besar sistem deteksi penipuan tidak pernah dirancang untuk mengevaluasi apakah dokumen itu asli atau sintetis. Mereka dirancang untuk memeriksa apakah kode billing diterapkan dengan benar, memflag pola yang diketahui, dan mencocokkan dengan tanda tangan penipuan yang ada. Jadi, dokumentasi sintetis melewati sistem, bahkan melewati beberapa sistem yang mengklaim komponen AI.

Kami juga telah melihat hal ini dengan pencitraan diagnostik. Satu sinar-X yang sah dapat digunakan sebagai benih untuk puluhan variasi yang dihasilkan AI, masing-masing dikirimkan di bawah pasien yang dibuat-buat. Sistem tanpa kemampuan perbandingan gambar melihat 50 kasus unik, tetapi kenyataannya adalah satu pemindaian asli dan 49 duplikat sintetis. Lanskap ancaman telah bergeser dari pelaku jahat terisolasi ke orang-orang yang dapat menjalankan skema yang dapat diulang dengan hampir tidak ada keahlian teknis yang diperlukan.

Banyak sistem deteksi penipuan tradisional bergantung pada model berbasis aturan dan tinjauan manual. Mengapa pendekatan ini semakin tidak efektif saat menangani catatan medis yang dihasilkan AI atau gambar diagnostik yang dimanipulasi?

Sebagian besar pendekatan deteksi penipuan, baik berbasis aturan atau AI generasi sebelumnya, beroperasi pada asumsi yang pada dasarnya rusak saat ini: bahwa semua dokumentasi yang memasuki sistem dibuat oleh manusia yang mengikuti proses klinis normal. Begitu asumsi itu rusak, seluruh pendekatan deteksi juga rusak dengannya.

Sebuah mesin aturan dapat memflag kode kombinasi yang tidak mungkin, penyedia yang meminta ganti rugi untuk lebih banyak jam daripada yang ada dalam sehari, atau prosedur yang dilakukan pada pasien yang telah meninggal. Ini semua adalah tangkapan nyata dan berguna. Tetapi logika berbasis aturan tidak dapat melihat catatan kemajuan dan menentukan apakah itu ditulis oleh seorang klinisi yang benar-benar melihat pasien atau dihasilkan oleh model AI yang tidak pernah berpraktik kedokteran. Kedua output dapat identik secara struktural.

Tinjauan manual memiliki batas yang sama. Studi menunjukkan bahwa hanya sekitar 34% orang dapat mengidentifikasi deepfake bahkan ketika mereka telah diberitahu bahwa itu ada dan secara aktif mencarinya. Seorang penyelidik SIU yang meninjau tumpukan catatan kemajuan tidak memiliki pelatihan forensik khusus untuk mendeteksi teks sintetis, tidak memiliki alat perbandingan gambar untuk mendeteksi klonan pemindaian, dan tidak memiliki cukup jam dalam sehari untuk melakukan tingkat pemeriksaan yang sama untuk setiap klaim. Masalah volume saja membuat tinjauan manual komprehensif mustahil, dan itu sudah benar sebelum AI generatif mulai mempercepat volume dan kesophistikasian dokumentasi penipuan.

Ada ancaman yang muncul yang saya pikir kurang dihargai: apa yang disebut para peneliti sebagai mesin deepfake trojan. Ini adalah agen seperti virus yang dirancang khusus untuk menetralkan perangkat lunak deteksi, bekerja melalui taktik seperti analisis gambar yang gagal atau rekayasa prompt yang berbahaya. Jadi, dinamika adversarial tidak hanya penipu yang menghasilkan palsu yang lebih baik. Dalam beberapa kasus, mereka secara aktif mencoba mematahkan alat yang dibangun untuk menangkap mereka. Itu adalah bagian dari mengapa pendekatan deteksi statis, baik berbasis aturan atau model AI yang tidak dirancang untuk diperbarui, akan selalu ketinggalan. Pertahanan harus sama adaptifnya dengan ofensif.

Codoxo baru-baru ini meluncurkan Deepfake Detection untuk menangani risiko yang muncul ini. Pada tingkat tinggi, bagaimana teknologi menganalisis dokumentasi medis dan gambar untuk menentukan apakah konten mungkin telah dihasilkan atau dimanipulasi oleh AI?

Prinsip desain inti adalah bahwa kami membangun Deepfake Detection secara khusus untuk dokumentasi kesehatan dan tidak merancang ulang alat deteksi AI umum ke dalam konteks klinis. Ini berarti model-model tersebut dilatih pada sinyal kesehatan khusus, bukan disesuaikan dari alat yang dibangun untuk industri atau kasus penggunaan lain. Perbedaan itu penting karena sinyal yang menunjukkan konten sintetis dalam catatan medis atau gambar diagnostik berbeda dari sinyal yang relevan dalam domain lain.

Pada tingkat tinggi, sistem menganalisis dokumentasi medis dan gambar bersama dengan konteks klaim penuh, dan melakukannya dalam hitungan detik. Ketika penyelidik SIU mengunggah dokumentasi yang dicurigai, AI menjalankan analisis di beberapa dimensi secara bersamaan. Ini mencari indikator konten sintetis atau dimanipulasi, memeriksa pola kloning dan duplikasi di seluruh sejarah klaim pembayar, dan mengevaluasi konsistensi perilaku antara dokumentasi dan pola historis penyedia.

Satu hal yang perlu diperhatikan adalah luasnya format yang dapat dikerjakan sistem. Ini menangani dokumen teks dalam PDF, Word, dan XML, spreadsheet, gambar medis, dan bahkan catatan tulisan tangan. Ini penting dalam praktik karena dokumentasi penipuan tidak datang dalam satu format yang rapi, dan sistem deteksi yang hanya menangani sebagian dari apa yang tim SIU terima akan meninggalkan celah yang akan ditemukan oleh penipu yang canggih.

Dari analisis tersebut, sistem menghasilkan skor risiko pada skala 0 hingga 100 dengan penjelasan rinci, sehingga penyelidik memahami dengan tepat sinyal mana yang mengarah ke skor. Tujuan pada setiap langkah adalah menghasilkan output yang dapat digunakan daripada hanya peringatan, dan melakukannya lebih cepat dan dengan akurasi yang lebih besar daripada sistem yang lebih umum. Kecepatan penting karena satu-satunya titik intervensi yang secara signifikan mengubah ekonomi penipuan adalah sebelum pembayaran dilakukan.

Platform Anda menyoroti kemampuan seperti deteksi kloning, identifikasi generasi AI sebagian, dan cross-referencing perilaku melawan sejarah klaim. Bisakah Anda menjelaskan bagaimana sinyal-sinyal ini digabungkan untuk menghasilkan skor risiko yang bermakna untuk penyelidik?

Masing-masing kemampuan tersebut menargetkan pola penipuan yang berbeda, dan skor risiko mencerminkan bagaimana mereka berinteraksi dalam kasus tertentu.

Deteksi kloning dan duplikasi menangani skenario di mana satu catatan asli direplikasi di seluruh pasien yang dibuat-buat. Apa yang membuat ini sulit ditangkap tanpa AI adalah bahwa variasi dapat halus sehingga tidak ada dokumen yang terlihat mencurigakan dalam isolasi. Pola hanya menjadi terlihat ketika Anda membandingkan di seluruh populasi klaim. Sistem kami dapat mengungkap bahwa satu set catatan yang tampak unik di permukaan sebenarnya adalah turunan dari sumber yang sama.

Deteksi generasi AI sebagian penting karena penipu yang canggih tidak selalu memfabrikasi catatan secara utuh dari awal. Pola yang lebih umum dan lebih sulit ditangkap adalah pencampuran, yang berarti mengambil catatan pasien yang sah dan menggunakan AI untuk menambahkan layanan atau prosedur yang dibuat-buat. Bagian yang sah membuat dokumen terlihat kredibel, tetapi bagian yang ditambahkan mewakili klaim untuk perawatan yang tidak pernah disampaikan. Sistem kami secara khusus disesuaikan untuk menemukan contoh-contoh ini.

Cross-referencing perilaku menghubungkan dokumentasi yang sedang ditinjau dengan sejarah klaim penyedia penuh. Jika dokumentasi menyajikan narasi klinis yang tidak konsisten dengan cara penyedia secara historis mendokumentasikan kasus serupa, atau jika volume dan pola catatan pendukung tiba-tiba menyimpang dari baseline, inkonsistensi tersebut adalah sinyal. Sendiri, tidak ada yang konklusif. Bersama, dengan penjelasan yang diberikan dalam output skor risiko, mereka memberikan penyelidik titik awal yang bermakna yang akan memakan waktu berjam-jam atau berhari-hari untuk dikembangkan secara manual. Apa yang membuat ini berbeda dari sistem yang hanya memflag konten yang dihasilkan AI adalah kombinasi sinyal. Analisis konten saja dapat melewatkan dokumen yang dicampur. Analisis perilaku saja dapat melewatkan penipu pertama kali dengan tidak ada pola sebelumnya. Ini adalah interseksi dari semua lapisan sinyal secara bersamaan, diproses dalam hitungan detik, yang menangkap apa yang sistem AI lain tidak bisa.

Dari perspektif Anda, apa saja skema penipuan kesehatan yang paling mengkhawatirkan yang didukung oleh deepfake yang harus diwaspadai oleh perusahaan asuransi dan regulator dalam beberapa tahun mendatang?

Skenario yang paling mengkhawatirkan bagi saya adalah skenario yang menggabungkan skala dengan kemungkinan dalam cara yang sulit dilacak, bahkan dengan deteksi yang kuat.

Kesehatan perilaku adalah kerentanan yang nyata. Dokumentasi untuk layanan terapi sebagian besar bersifat naratif, termasuk catatan sesi, rencana pengobatan, dan ringkasan kemajuan. Tidak ada nilai lab untuk dicocokkan, tidak ada pencitraan untuk diperiksa. Seorang penyedia yang curang dengan akses ke model bahasa umum dapat menghasilkan dokumentasi kesehatan perilaku yang klinis dan masuk akal dengan volume luar biasa, dan satu-satunya cara praktis untuk mendeteksi itu adalah dengan menggunakan AI yang dapat mengevaluasi apakah dokumentasi menunjukkan tanda-tanda generasi sintetis.

Penipuan pencitraan diagnostik adalah area lain yang saya awasi dengan cermat. Alat AI yang gratis dan dapat diakses sekarang dapat menghasilkan variasi pencitraan medis yang realistis dari satu gambar seed. Ketika alat-alat tersebut ditingkatkan, output sintetis akan menjadi lebih sulit untuk dibedakan dari pemindaian asli tanpa deteksi yang dirancang khusus. Pembayar yang alur kerjanya tidak memiliki kemampuan forensik gambar pada dasarnya beroperasi berdasarkan kepercayaan bahwa gambar yang mereka terima adalah nyata.

Ada juga kekhawatiran yang muncul tentang penipuan identitas dan kredensial, di mana dokumentasi yang dihasilkan AI mendukung pendaftaran penyedia palsu atau otorisasi sebelumnya untuk layanan yang tidak pernah diperlukan secara medis. Skema ini lebih sulit dideteksi karena penipuan tertanam dalam proses intake daripada klaim itu sendiri, dan ketika itu muncul dalam data billing, kerusakan sudah terlanjur dilakukan.

Klaim kesehatan sering melibatkan volume besar dokumentasi dan bukti pendukung. Bagaimana sistem AI mengevaluasi informasi tersebut dengan cukup cepat untuk menghentikan klaim penipuan sebelum pembayaran dilakukan?

Kecepatan sebenarnya adalah persyaratan desain inti, bukan yang baik untuk dimiliki. Satu-satunya cara Deepfake Detection berguna dalam praktiknya adalah jika beroperasi pada kecepatan pipa klaim. Jika analisis membutuhkan waktu berjam-jam atau memerlukan manusia untuk memulai antrian tinjauan, Anda sudah melewatkan jendela prepay, dan Anda kembali melakukan pekerjaan pemulihan setelah uang sudah keluar dari sistem.

Sistem kami dirancang untuk menyelesaikan analisis dalam hitungan detik. Ketika dokumentasi diunggah untuk ditinjau, AI menjalankan asesmen secara paralel daripada berurutan. Analisis konten sintetis, pemeriksaan duplikasi, dan cross-referencing perilaku terjadi secara bersamaan daripada dalam rantai. Outputnya adalah skor risiko dengan penjelasan rinci, sehingga penyelidik tidak perlu menafsirkan sinyal mentah. Mereka mendapatkan hasil yang diprioritaskan dan dapat digunakan. Arsitektur paralel adalah bagian dari apa yang memungkinkan kami melakukan ini lebih cepat dan dengan akurasi yang lebih besar. Menjalankan semua tiga lapisan sinyal secara bersamaan berarti skor risiko mencerminkan gambaran penuh dari kasus, bukan hanya bendera pertama yang muncul.

Titik yang lebih luas di sini adalah bahwa pergeseran yang kami dorong di seluruh pekerjaan Codoxo, apa yang kami sebut Titik Nol, adalah memindahkan intervensi integritas pembayaran sejauh mungkin ke hulu. Menangkap klaim penipuan sebelum pembayaran jauh lebih efisien daripada pemulihan pembayaran berlebih setelah fakta. Pemulihan mahal, lambat, dan sering tidak lengkap. Pencegahan pada tahap validasi dokumentasi dan bukti mengubah ekonomi masalah secara keseluruhan.

Alat deteksi penipuan harus dapat dijelaskan kepada penyelidik, auditor, dan regulator. Bagaimana Anda memastikan bahwa skor risiko yang dihasilkan AI dapat dipahami dan dipercaya oleh Unit Penyelidikan Khusus dan tim integritas pembayaran?

Kejelasan bukanlah pilihan dalam domain ini. Jika penyelidik SIU akan bertindak berdasarkan skor risiko, apakah itu berarti menahan klaim, membuka kasus, atau membangun rujukan untuk penuntutan, mereka perlu dapat mengartikulasikan apa yang ditemukan sistem dan mengapa. Output kotak hitam yang mengatakan “risiko tinggi” bukanlah alat yang berguna dalam alur kerja yang memiliki akuntabilitas hukum dan regulasi yang melekat pada itu.

Setiap skor risiko yang dihasilkan sistem kami disertai dengan indikator penipuan khusus, yang dapat mencakup sinyal yang mengarah ke skor, pola yang diidentifikasi, dan inkonsistensi yang ditemukan. Penyelidik dapat mengikuti penalaran dari skor kembali ke bukti. Tingkat spesifisitas itu hanya mungkin karena deteksi yang mendasarinya dirancang khusus untuk dokumentasi kesehatan.

Kami juga membangun kemampuan prompting khusus, yang memungkinkan penyelidik untuk menyesuaikan analisis untuk skenario penyelidikan tertentu dan pola penipuan unik. Ini penting untuk kejelasan dalam praktik karena ini berarti sistem tidak menjalankan analisis satu-ukuran-untuk-semua dan meminta penyelidik untuk menafsirkan output generik. Mereka dapat membentuk pertanyaan berdasarkan apa yang mereka cari dalam kasus tertentu, yang membuat hasilnya lebih berguna dan lebih mudah dijelaskan kepada auditor atau dalam proses hukum.

Di sisi regulasi, OIG, CMS, dan lembaga negara bagian meningkatkan pengawasan tentang bagaimana organisasi menggunakan AI dalam pencegahan penipuan. Dapat menunjukkan bahwa metodologi deteksi dapat diinterpretasikan dan diaudit bukan hanya praktik yang baik, tetapi juga komponen dari penerapan yang bertanggung jawab yang mengurangi risiko kepatuhan.

Bagaimana Codoxo merancang modelnya untuk terus beradaptasi saat muncul bentuk-bentuk baru dokumentasi medis sintetis?

Tantangan adalah bahwa penipuan bersifat adversarial. Ketika deteksi meningkat, taktik di sisi lain berevolusi. Setiap sistem yang dilatih sekali dan diterapkan tanpa pembaruan akan memburuk seiring waktu, karena penipu belajar apa yang memicu deteksi dan menyesuaikan. Ini adalah masalah yang sama yang membuat pendekatan deteksi statis, baik berbasis aturan atau model AI yang tidak dirancang untuk diperbarui, tidak memadai. Kesophistikasian alat tidak penting jika arsitektur yang mendasarinya tidak dapat mengikuti ancaman.

Pendekatan kami adalah mengobati deteksi sebagai kemampuan yang terus diperbarui, bukan produk yang tetap. Ketika pola penipuan baru muncul di sistem dan ketika teknik generasi AI berkembang, pola-pola tersebut umpan balik ke dalam perbaikan model. Sistem dirancang untuk menjadi lebih baik dalam mengidentifikasi ancaman yang muncul, bukan hanya ancaman yang ada saat penerapan. Ini penting mengingat kecepatan AI generatif berkembang dan kecepatan penipu bereksperimen dengan pendekatan baru, termasuk beberapa teknik adversarial seperti mesin deepfake trojan yang dirancang untuk melemahkan deteksi.

Ini akan menjadi kontes yang berkelanjutan. Tidak ada keadaan akhir yang telah diselesaikan. Komitmen yang kami buat adalah untuk menjaga kemampuan deteksi tetap mutakhir dengan ancaman, dan arsitektur agenik kami yang membuat itu memungkinkan dalam skala.

Menghadap ke depan, apakah Anda percaya deteksi deepfake akan menjadi komponen standar infrastruktur kesehatan, mirip dengan bagaimana sistem anti-pencucian uang beroperasi di keuangan, atau apakah industri akan memerlukan pendekatan baru untuk kepercayaan dan verifikasi data medis?

Saya percaya deteksi deepfake akan menjadi infrastruktur standar, dan timeline untuk itu lebih singkat dari yang diharapkan banyak orang di industri. Sebelum kerangka AML menjadi standar di layanan keuangan, industri juga sangat bergantung pada deteksi berbasis aturan dan tinjauan manual. Pergeseran terjadi ketika ancaman mencapai skala yang membuat deteksi reaktif jelas tidak memadai, dan ketika lingkungan regulasi mengukuhkan harapan bahwa lembaga keuangan akan memiliki kontrol yang sistematis dan terus diperbarui. Kesehatan mendekati titik infleksi yang sama.

Apa yang sudah terjadi adalah bahwa pembayar yang menerapkan deteksi deepfake sekarang melakukannya karena ancaman itu nyata dan ada, bukan karena regulasi mengharuskannya. Ketika penerapan awal ini menghasilkan bukti kerugian yang dicegah, dan ketika skema penipuan AI-generated menjadi lebih terlihat dalam tindakan penegakan dan pelaporan publik, harapan akan meluas di seluruh industri.

Menghadap ke depan, ketika AI generatif terus ditingkatkan, industri mungkin perlu memikirkan kembali bagaimana keaslian dokumentasi ditetapkan pada titik penciptaan daripada divalidasi setelahnya. Ini bisa berarti autentikasi kriptografis catatan klinis pada tingkat EHR, verifikasi identitas penyedia yang terintegrasi ke dalam alur kerja dokumentasi, atau mekanisme lain yang membuat asal dokumen dapat dilacak dengan cara yang saat ini tidak ada. Deteksi pada tingkat klaim diperlukan untuk menanggapi ancaman saat ini. Namun, solusi yang tahan mungkin memerlukan membangun verifikasi lebih dalam ke infrastruktur tentang bagaimana catatan medis dibuat dan ditransmisikan.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Codoxo.