Dr. Musheer Ahmed, PhD, Oprichter en CEO van Codoxo – Interviewreeks

Dr. Musheer Ahmed, PhD, Oprichter en CEO van Codoxo is een technoloog en ondernemer die zich richt op het toepassen van kunstmatige intelligentie om systemische inefficiënties in de gezondheidszorg aan te pakken. Hij richtte Codoxo op op basis van onderzoek dat hij tijdens zijn PhD aan de Georgia Institute of Technology had uitgevoerd, waar hij de basis legde voor een gepatenteerde AI-aanpak voor het detecteren van fraude, verspilling en misbruik in medische claims. Onder zijn leiding is het bedrijf uitgegroeid tot een aanbieder van AI-gedreven betalingsintegriteitsoplossingen, waarmee gezondheidsorganisaties eerder risico’s kunnen identificeren en overgaan van reactieve audits naar proactieve kostenbeheersing. Zijn eerdere ervaring in beveiligingsinlichtingen bij VeriSign (VRSN ), waar hij werkte aan het identificeren van opkomende cyberdreigingen en kwetsbaarheden, vormde zijn focus op het gebruik van geavanceerde analyse en machine learning om verborgen patronen in complexe gegevensomgevingen te onthullen.

Codoxo is een gezondheidszorgbedrijf dat zich richt op het verminderen van inefficiënties en onnodige kosten in de gezondheidszorg door middel van zijn Forensic AI-platform. Het platform gebruikt gepatenteerde algoritmen en machine learning om grote hoeveelheden claimsgegevens te analyseren, verdachte gedragingen, factuurafwijkingen en opkomende fraudepatronen te identificeren eerder dan traditionele systemen. Door gezondheidsverzekeraars, overheidsinstanties en farmaceutische bedrijven in staat te stellen om in te grijpen voordat of tijdens het claimsproces, verschuift Codoxo de industrie naar proactieve betalingsintegriteit in plaats van retrospectieve herstel. Het bredere unified cost containment-platform integreert data mining, provideronderwijs, auditworkflows en casemanagement, waardoor organisaties hun nauwkeurigheid kunnen verbeteren, overbetalingen kunnen verminderen en hun operaties kunnen stroomlijnen, terwijl ze een geschatte honderden miljarden dollars verliezen als gevolg van fraude, verspilling en misbruik.

U heeft Codoxo opgericht na onderzoek naar fraude in de gezondheidszorg tijdens uw PhD aan Georgia Tech. Wat heeft u er eerst van overtuigd dat AI fundamenteel kan veranderen hoe fraude, verspilling en misbruik in de gezondheidszorg worden gedetecteerd?

Ik werd niet overtuigd door een enkel moment, maar door de manier waarop de bestaande aanpak ernstig faalde. Gezondheidsfraude in de VS vertegenwoordigt ongeveer 330 miljard dollar aan jaarlijkse verlies. Dat is meer dan elke andere vorm van verzekeringfraude in het land, en toch konden de dominante detectiemethoden alleen maar vangen wat ze al waren getraind om te zoeken. Zelfs toen AI in beeld kwam, waren de meeste benaderingen reactief, patroonherkenning tegen bekende fraude-schema’s in plaats van onbekende patronen te onthullen. Het moment dat het voor mij kristalhelder werd, was toen ik besefte dat fraude geen statisch probleem is. Slechte actoren passen zich aan. Ze leren wat een vlag activeert en routeeren eromheen. Een systeem dat is gebouwd op vaste regels is, per definitie, altijd achter.

Wat AI biedt, is de mogelijkheid om patronen te onthullen die niemand had bedacht om vooraf te programmeren. Tijdens mijn proefschrift aan Georgia Tech bouwde ik modellen die de volledige claimsgeschiedenis van een provider konden bekijken, gedragsafwijkingen konden identificeren en signalen konden verbinden die een menselijke analist of een regelengine nooit zou hebben gelinkt. De JASON-adviesgroep, die de Amerikaanse regering adviseert over wetenschap en technologie, erkende dat werk als een oplossing voor echte structurele hiaten in de manier waarop gezondheidsgegevens werden gebruikt voor betalingsintegriteit. Die erkenning zei me dat het probleem serieus genoeg was om een bedrijf op te bouwen.

De kernovertuiging die me toen dreef, is dezelfde die nu Codoxo aandrijft: gezondheidsclaimsgegevens bevatten het signaal dat u nodig hebt om fraude te vangen, maar u kunt het alleen extraheren met AI die naar het volledige beeld kan kijken, snel en nauwkeurig, in plaats van vakjes aan te vinken.

Gezondheidsfraude is al lang een miljardenprobleem, maar generatieve AI lijkt het dramatisch te versnellen. Hoe heeft de opkomst van tools die overtuigende klinische documentatie en diagnostische beelden kunnen produceren, het dreigingslandschap voor gezondheidsverzekeraars en betalingsintegriteits teams veranderd?

Het heeft het fundamenteel veranderd, en de industrie heeft nog niet volledig begrepen hoe significant die verschuiving is. Het oude model van documentatiefraude vereiste handmatige inspanning. Een slechte acteur die fraude pleegde, moest notities een voor een vervalsen, afbeeldingen individueel wijzigen en records creëren die plausibel genoeg waren om een review te overleven. Die wrijving creëerde een natuurlijke limiet op de omvang van elk schema.

Generatieve AI verwijderde die limiet. Vandaag kan iedereen een groot taalmodel vragen om 50 therapiesessie-notities voor angstbehandeling te produceren en ze in minder dan vijf minuten ontvangen. Die notities gebruiken passende klinische terminologie, volgen een plausibele narratieve structuur en zien er intern consistent uit. De meeste fraude detectiesystemen waren nooit ontworpen om te beoordelen of een document authentiek of synthetisch is. Ze waren ontworpen om te controleren of factuurcodes correct waren toegepast, bekende patronen te markeren en te matchen met bestaande fraudehandtekeningen. Dus synthetische documentatie gaat recht door, zelfs langs sommige systemen die beweren een AI-component te hebben.

We zien dit ook bij diagnostische beeldvorming. Eén legitieme röntgenfoto kan dienen als basis voor tientallen door AI gegenereerde varianten, die elk onder een andere verzonnen patiënt worden ingediend. Een systeem zonder beeldvergelijking ziet vijftig ogenschijnlijk unieke gevallen, terwijl het in werkelijkheid om één echte scan en 49 synthetische duplicaten gaat. Het dreigingslandschap is verschoven van afzonderlijke fraudeurs naar mensen die schaalbare, herhaalbare fraude kunnen plegen zonder veel technische kennis.

Veel traditionele systemen voor fraudedetectie steunen op regels en handmatige beoordeling. Waarom worden deze methoden steeds minder doeltreffend bij door AI gegenereerde medische dossiers of gemanipuleerde diagnostische beelden?

De meeste detectiemethoden, op regels gebaseerd of uit een eerdere generatie AI, rusten nu op een fundamenteel onjuiste aanname: dat alle documentatie in het systeem door een mens volgens normale klinische processen is gemaakt. Zodra die aanname wegvalt, valt de hele detectiemethode uiteen.

Een regelengine kan een onmogelijke combinatie van codes signaleren, een zorgverlener die meer uren declareert dan er in een dag zitten, of een ingreep bij een overleden patiënt. Dat zijn nuttige controles. Maar regels kunnen niet bepalen of een voortgangsnotitie is geschreven door een arts die de patiënt werkelijk heeft gezien, of door een AI-model dat nooit geneeskunde heeft beoefend. Beide resultaten kunnen structureel identiek zijn.

Handmatige beoordeling heeft dezelfde grens. Onderzoek laat zien dat slechts ongeveer 34% van de mensen een deepfake herkent, zelfs wanneer zij weten dat er een aanwezig is en er actief naar zoeken. Een SIU-onderzoeker die stapels notities beoordeelt, heeft geen gespecialiseerde forensische training voor synthetische tekst, geen hulpmiddelen om gekloonde scans te vergelijken en onvoldoende tijd om elke claim zo grondig te onderzoeken. Alleen al het volume maakt volledige handmatige controle onmogelijk, en dat gold al voordat generatieve AI de hoeveelheid en verfijning van frauduleuze documentatie versnelde.

Er is ook een opkomende dreiging die wordt onderschat: zogenoemde trojan-deepfake-engines. Dit zijn virusachtige agenten die detectiesoftware doelgericht neutraliseren, bijvoorbeeld door beeldanalyse te ontregelen of prompts kwaadaardig te herwerken. De tegenstander maakt dus niet alleen betere vervalsingen; soms probeert hij actief de middelen te breken die hem moeten betrappen. Daarom zullen statische methoden altijd achterlopen. De verdediging moet zich even snel aanpassen als de aanval.

Codoxo heeft onlangs Deepfake Detection gelanceerd. Hoe analyseert de technologie op hoofdlijnen medische documentatie en beelden om vast te stellen of inhoud mogelijk door AI is gemaakt of gemanipuleerd?

Het uitgangspunt is dat we Deepfake Detection specifiek voor zorgdocumentatie hebben gebouwd, in plaats van een algemeen AI-detectiemiddel achteraf aan te passen aan een klinische context. De modellen zijn dus getraind op signalen uit de gezondheidszorg. Dat onderscheid telt, omdat synthetische inhoud in een medisch dossier of diagnostisch beeld andere signalen heeft dan inhoud in andere domeinen.

Het systeem analyseert medische documentatie en beelden samen met de volledige context van de claim en doet dat binnen enkele seconden. Wanneer een SIU-onderzoeker verdachte documenten uploadt, onderzoekt de AI tegelijk meerdere dimensies. Het systeem zoekt aanwijzingen voor synthetische of gemanipuleerde inhoud, controleert op klonen en duplicaten in de bredere claimgeschiedenis en beoordeelt of de documentatie past bij het historische gedrag van de zorgverlener.

Het systeem ondersteunt bovendien veel formaten: tekst in PDF, Word en XML, spreadsheets, medische beelden en zelfs handgeschreven notities. Dat is praktisch belangrijk, want frauduleuze documentatie komt niet in één net formaat binnen. Een systeem dat slechts een deel verwerkt, laat gaten achter die geavanceerde fraudeurs uiteindelijk vinden.

Uit die analyse ontstaat een risicoscore van 0 tot 100 met gedetailleerde uitleg, zodat de onderzoeker precies ziet welke signalen de score bepaalden. Het doel is steeds een bruikbaar resultaat te leveren in plaats van alleen een waarschuwing, sneller en nauwkeuriger dan een algemeen systeem. Snelheid telt, omdat ingrijpen vóór betaling het enige moment is dat de economische prikkel van fraude wezenlijk verandert.

Uw platform noemt kloondetectie, herkenning van gedeeltelijke AI-generatie en vergelijking met historisch claimgedrag. Hoe worden deze signalen gecombineerd tot een bruikbare risicoscore voor onderzoekers?

Elke mogelijkheid richt zich op een ander fraudepatroon; de risicoscore weerspiegelt hoe die signalen in een concreet geval samenhangen.

Kloon- en duplicatiedetectie richten zich op één authentiek dossier dat voor meerdere verzonnen patiënten wordt hergebruikt. De variaties kunnen zo klein zijn dat geen enkel document afzonderlijk verdacht lijkt. Het patroon wordt pas zichtbaar bij vergelijking met de volledige claimpopulatie. Ons systeem kan aantonen dat ogenschijnlijk unieke dossiers in feite van één bron zijn afgeleid.

Detectie van gedeeltelijke AI-generatie is belangrijk omdat geavanceerde fraudeurs niet altijd een volledig dossier verzinnen. Vaker mengen ze echte en valse inhoud: een legitiem patiëntendossier wordt met AI uitgebreid met niet-geleverde diensten of procedures. De authentieke delen maken het document geloofwaardig; ons systeem is specifiek afgestemd op het vinden van zulke gevallen.

Gedragsvergelijking verbindt de onderzochte documentatie met de volledige claimgeschiedenis van de zorgverlener. Klinische verhalen die afwijken van eerdere documentatie, of een plotseling afwijkend volume en patroon van bewijsstukken, leveren signalen op. Afzonderlijk zijn die niet doorslaggevend. Gewogen en uitgelegd in de risicoscore geven ze onderzoekers een bruikbaar vertrekpunt dat handmatig uren of dagen zou kosten. Juist de combinatie van inhoudsanalyse, gedrag en duplicatiedetectie vindt wat andere systemen missen.

Welke door deepfakes mogelijk gemaakte vormen van zorgfraude baren u voor de komende jaren de meeste zorgen?

De zorgelijkste scenario’s combineren schaal met geloofwaardigheid op een manier die zelfs met goede detectie moeilijk te volgen is.

Gedragszorg is bijzonder kwetsbaar. Documentatie bestaat vooral uit verhalende sessienotities, behandelplannen en voortgangssamenvattingen. Er zijn geen laboratoriumwaarden of beelden om mee te vergelijken. Met een algemeen taalmodel kan een frauduleuze aanbieder op grote schaal geloofwaardige documentatie maken. De praktische detectie vereist AI die taalkundige en structurele kenmerken van synthetische tekst kan beoordelen.

Fraude met diagnostische beelden is een ander aandachtsgebied. Gratis AI-tools kunnen uit één bronbeeld realistische medische varianten maken. Naarmate die middelen verbeteren, worden synthetische beelden zonder gespecialiseerde detectie moeilijker van echte scans te onderscheiden. Betalers zonder beeldforensisch onderzoek vertrouwen er in feite op dat ontvangen beelden echt zijn.

Ook identiteit- en credentialfraude groeit, waarbij door AI gemaakte documentatie een frauduleuze inschrijving van zorgverleners of voorafgaande toestemming ondersteunt. Deze fraude zit in het intakeproces in plaats van in de claim zelf; wanneer ze in factuurgegevens zichtbaar wordt, is de schade al ontstaan.

Zorgclaims bevatten vaak veel documentatie en bewijs. Hoe beoordeelt een AI-systeem dit snel genoeg om frauduleuze claims vóór betaling tegen te houden?

Snelheid is een kernvereiste. Deepfake Detection is alleen bruikbaar wanneer het op het tempo van de claimspijplijn werkt. Duurt de analyse uren of moet iemand handmatig een wachtrij starten, dan is het moment vóór betaling voorbij en resteert kostbaar terugvorderingswerk.

Ons systeem voltooit de analyse in seconden. Het beoordeelt synthetische inhoud, duplicaten en gedrag parallel. De uitkomst is een risicoscore met uitleg, zodat de onderzoeker geen ruwe signalen hoeft te interpreteren. De parallelle architectuur maakt het sneller en nauwkeuriger en zorgt dat de score het volledige geval weerspiegelt.

De bredere verschuiving die we Point Zero noemen, brengt interventie zo vroeg mogelijk in het betalingsproces. Een frauduleuze claim vóór betaling stoppen is veel efficiënter dan geld achteraf terugvorderen. Preventie tijdens documentatie- en bewijsvalidatie verandert de economie van het hele probleem.

Fraudedetectie moet uitlegbaar zijn voor onderzoekers, auditors en toezichthouders. Hoe zorgt u dat SIU’s en teams voor betalingsintegriteit de risicoscores begrijpen en vertrouwen?

Uitlegbaarheid is hier verplicht. Als een onderzoeker op een score handelt door een claim vast te houden, een zaak te openen of vervolging voor te bereiden, moet die persoon kunnen uitleggen wat het systeem vond en waarom. Een zwarte doos die alleen “hoog risico” meldt, is onbruikbaar in een proces met juridische en regelgevende verantwoordelijkheid.

Elke risicoscore bevat specifieke fraude-indicatoren, de patronen en inconsistenties die de score bepaalden. De onderzoeker kan de redenering terugvolgen naar het bewijs. Die precisie is mogelijk doordat de detectie specifiek voor zorgdocumentatie is gebouwd.

Onderzoekers kunnen de analyse met eigen prompts afstemmen op een onderzoeksscenario of fraudepatroon. Zo hoeven zij geen generieke uitkomst te interpreteren en kunnen zij de vraag richten op het concrete geval. Dat maakt resultaten bruikbaarder en makkelijker uit te leggen aan auditors of in juridische procedures.

OIG, CMS en overheidsinstanties verscherpen het toezicht op AI bij fraudepreventie. Een interpreteerbare en controleerbare detectiemethode is daarom zowel goede praktijk als een onderdeel van verantwoorde invoering dat nalevingsrisico verlaagt.

Fraudeurs worden waarschijnlijk geavanceerder naarmate generatieve AI verbetert. Hoe zorgt Codoxo dat modellen zich voortdurend aanpassen aan nieuwe synthetische medische documentatie?

Fraude is van nature vijandig: als detectie verbetert, veranderen de tactieken. Een systeem dat eenmaal wordt getraind en daarna niet wordt bijgewerkt, verliest werking. De verfijning van het middel helpt niet wanneer de architectuur het tempo van de dreiging niet kan volgen.

Wij behandelen detectie als een voortdurend bijgewerkte mogelijkheid. Nieuwe fraudepatronen en nieuwe generatietechnieken voeden de verbetering van het model. Het systeem leert opkomende dreigingen herkennen, niet alleen de dreigingen die bij ingebruikname bestonden. Dat is essentieel gezien de snelheid van generatieve AI en experimenten met ondermijnende technieken zoals trojan-deepfake-engines.

Dit blijft een voortdurende strijd zonder definitieve eindtoestand. Onze toezegging is de detectie actueel te houden; onze agentarchitectuur maakt dat op schaal mogelijk.

Wordt deepfakedetectie volgens u standaardinfrastructuur in de gezondheidszorg, zoals antiwitwassystemen in de financiële sector, of zijn geheel nieuwe vormen van vertrouwen en verificatie nodig?

Ik denk dat Deepfake Detection standaardinfrastructuur wordt, en sneller dan velen verwachten. Ook vóór antiwitwasraamwerken standaard werden, nam fraude sterk toe en werden verwachtingen voor doorlopend bijgewerkte controles vastgelegd. De zorg nadert een vergelijkbaar omslagpunt.

Betalers die de technologie nu inzetten, doen dat omdat de dreiging al reëel is, niet omdat regelgeving het eist. Wanneer vroege invoeringen aantonen welke verliezen worden voorkomen en door AI gemaakte fraude zichtbaarder wordt in handhaving en berichtgeving, zal die verwachting zich door de sector verspreiden.

Op langere termijn moet de sector mogelijk de authenticiteit van documentatie bij de bron vastleggen in plaats van achteraf controleren. Denk aan cryptografische attestatie in elektronische patiëntendossiers, identiteitscontrole van zorgverleners in de documentatiewerkstroom of andere middelen die de herkomst traceerbaar maken. Detectie op claimniveau is noodzakelijk, maar een duurzame oplossing kan diepere verificatie vereisen in de infrastructuur waarmee medische dossiers worden gemaakt en verzonden.

Dank voor het goede interview. Lezers die meer willen weten, kunnen Codoxo bezoeken.