Dr. Musheer Ahmed, PhD, grunnlegger og CEO av Codoxo – Intervju-serie

Dr. Musheer Ahmed, PhD, grunnlegger og CEO av Codoxo, er en teknolog og entrepreneur som fokuserer på å bruke kunstig intelligens til å løse systemiske ineffektiviteter i helsevesenet. Han grunnla Codoxo basert på forskning han utførte under sin PhD ved Georgia Institute of Technology, der han bygde grunnlaget for en patentert AI-tilnærming til å detektere svindel, sløsing og misbruk i medisinske krav. Under hans ledelse har selskapet vokst til å bli en leverandør av AI-drevne betalingsintegritetsløsninger, som hjelper helseorganisasjoner å identifisere risiko tidligere og gå fra reaktive auditorier til proaktive kostnadskontroll. Hans tidligere erfaring med sikkerhetsintelligens hos VeriSign (VRSN ), der han arbeidet med å identifisere nye cybertrusler og sårbarheter, formet hans fokus på å bruke avansert analyse og maskinlæring til å avdekke skjulte mønster i komplekse data-miljøer.

Codoxo er et helse- AI-selskap som fokuserer på å redusere ineffektiviteter og unødvendige kostnader i helsetjenesten gjennom sin Forensic AI-plattform. Plattformen bruker patenterte algoritmer og maskinlæring til å analysere store mengder kravdata, identifisere mistenkelig atferd, fakturingsanomalier og nye svindel-mønster tidligere enn tradisjonelle systemer. Ved å aktivere helsebetalere, myndigheter og apotek til å gripe inn før eller under kravprosessen, flytter Codoxo industrien mot proaktiv betalingsintegritet i stedet for retrospektiv gjenoppretting. Deres bredere, samlet plattform for kostnadskontroll integrerer datautvinning, leverandørutdanning, audit-arbeidsflyter og sakshåndtering, og hjelper organisasjoner å forbedre nøyaktigheten, redusere overbetalinger og strømlinje operasjoner samtidig som de håndterer hundredvis av milliarder dollar som tapes årlig på grunn av svindel, sløsing og misbruk.

De grunnla Codoxo etter å ha forsket på helse-svindeldeteksjon under sin PhD ved Georgia Tech. Hva overbeviste deg først om at AI kunne fundamentalt endre hvordan svindel, sløsing og misbruk detekteres i helsetjenesten?

Jeg ble overbevist ikke av et enkelt øyeblikk, men av å konfrontere hvordan dårlig det eksisterende tilnærmingen var. Helse-svindel i USA representerer noen hvor $330 milliarder tapt årlig. Det er mer enn alle andre former for forsikringssvindel i landet kombinert, og likevel kunne de dominerende detekteringsmetodene bare fange hva de allerede var trent til å se etter. Selv da AI kom inn i bildet, var de fleste tilnærminger reaktive, mønster-matching mot kjente svindel-schemer i stedet for å avdekke de ukjente. Øyeblikket som krystalliserte det for meg var å innse at svindel ikke er et statisk problem. Dårlige aktører tilpasser seg. De lærer hva som utløser en flagg og router rundt det. Et system bygget på faste regler er, per definisjon, alltid bak.

Hva AI tilbyr, er evnen til å avdekke mønster som ingen tenkte å programmere på forhånd. Under min avhandlingsarbeid ved Georgia Tech bygde jeg modeller som kunne se over en leverandørs full kravshistorikk, identifisere atferdsanomalier og koble sammen signaler som en menneskelig analytiker eller en regelmotor aldri ville koblet sammen. JASON-rådgivergruppen, som rådgir den amerikanske regjeringen om vitenskap og teknologi, anerkjente at arbeidet som adresserte virkelige strukturelle hull i hvordan helsedata ble brukt til betalingsintegritet. Den anerkjennelsen fortalte meg at problemet var alvorlig nok til å bygge et selskap rundt.

Den grunnleggende overbevisningen som drev meg da er den samme som driver hva vi bygger i Codoxo nå: Helsekravdata inneholder signalet du trenger for å fange svindel, men du kan bare trekke det ut med AI som kan se på det fullstendige bildet, raskt og nøyaktig, i stedet for å sjekke bokser.

Helse-svindel har lenge vært et multibillion-dollar-problem, men generativ AI synes å akselerere det dramatisk. Hvordan har oppblomstringen av verktøy som kan produsere overbevisende klinisk dokumentasjon og diagnostiske bilder endret trussel-landskapet for helseforsikringselskaper og betalingsintegritetslag?

Det har endret det på en grunnleggende måte, og industrien har ikke fullt absorbert hvor betydelig denne skiftet er ennå. Den gamle modellen for dokumentasjonssvindel krevde manuell innsats. En dårlig aktør som begår svindel måtte fabrikkere notater en gang av gangen, endre bilder individuelt og skape poster som var troverdige nok til å overleve gjennomgang. Den friksjonen skapte en naturlig tak på skalaen av noen scheme.

Generativ AI fjernet den takken. I dag kan noen spørre en stor språkmodell om å produsere 50 terapisessionsnotater for angstbehandling og motta dem på under fem minutter. Disse notatene vil bruke passende klinisk terminologi, følge en troverdig narrativ struktur og se internkonsistente ut. De fleste svindeldetekteringssystemer var aldri designet til å evaluere om et dokument er ekte eller syntetisk. De var designet til å sjekke om fakturingskoder ble brukt riktig, flagg kjente mønster og sammenligne med eksisterende svindelsignaturer. Så den syntetiske dokumentasjonen passer rett gjennom, selv forbi noen systemer som hevder en AI-komponent.

Vi har også sett dette med diagnostisk bilde. Et enkelt ekte røntgenbilde kan brukes som frø til dusinvis av AI-genererte variasjoner, hver sendt inn under en fabrikkert pasient. Et system uten bilde-sammenligningskapasitet ser 50 unike utseende-tilfeller, men virkeligheten er ett ekte skan og 49 syntetiske duplikater. Trussel-landskapet har skiftet fra isolerte dårlige aktører til personer som kan kjøre skalerbare, gjentakende schemer med nesten ingen teknisk ekspertise required.

Mange tradisjonelle svindeldetekteringssystemer baserer seg på regelbaserte modeller og manuell gjennomgang. Hvorfor er disse tilnærmingene økende ineffektive når det gjelder AI-genererte medisinske poster eller manipulerte diagnostiske bilder?

De fleste svindeldetekteringstilnærminger, enten regelbasert eller tidligere-generasjons AI, opererer på en grunnleggende feilantagelse akkurat nå: at all dokumentasjon som kommer inn i systemet ble skapt av en menneske som følger normal klinisk prosess. Så snart denne antagelsen brytes, brytes hele detekterings-tilnærmingen med det.

En regelmotor kan flagge en umulig kodekombinasjon, en leverandør som fakturerer for mer timer enn det finnes i en dag, eller en prosedyre utført på en avdød pasient. Disse er alle virkelige og nyttige fangster. Men regelbasert logikk kan ikke se på en fremgangsnotat og bestemme om den ble skrevet av en kliniker som faktisk så en pasient eller generert av en AI-modell som aldri har praktisert medisin. De to utgangene kan være strukturidentiske.

Manuell gjennomgang har den samme takken. Studier viser at bare ca. 34% av mennesker kan identifisere en deepfake selv når de har blitt fortalt at det er til stede og aktivt leter etter det. En SIU-etterforsker som gjennomgår en haug med fremgangsnotater har ingen spesialisert forensisk trening for å detektere syntetisk tekst, ingen bilde-sammenligningsverktøy for å spore klonede skanninger, og ikke nok timer i dagen til å utføre en slik granskning på hver krav. Volumproblemet alene gjør en fullstendig manuell gjennomgang umulig, og det var sant før generativ AI begynte å akselerere volumet og sofistikasjonen av svindeldokumentasjon.

Det er også en ny trussel som jeg tror er underanslått: hva forskerne kaller trojan deepfake-motorer. Disse er virus-lignende agenter designet spesifikt til å neutralisere detekteringsprogramvare, arbeidende gjennom taktikker som bilde-analyse-avsporing eller ondskapsfull prompt-ombygging. Så den adversarial-dynamikken ikke bare er svindlere som genererer bedre fakes. I noen tilfeller prøver de aktivt å bryte verktøyene som bygges for å fange dem. Denne kappløp-dynamikken er en del av hvorfor statiske detekterings-tilnærminger, enten regelbasert eller en fast AI-modell, alltid vil falle bak.

Codoxo lanserte nylig Deepfake Detection for å håndtere denne nye risikoen. På et høyt nivå, hvordan analyserer teknologien medisinsk dokumentasjon og bilder for å bestemme om innhold kan være generert eller manipulert av AI?

Den grunnleggende design-prinsippet er at vi bygde Deepfake Detection spesifikt for helsetjenestedokumentasjon i stedet for å tilpasse en generell AI-detekteringsverktøy til en klinisk kontekst. Det betyr at modellene er trent på helsetjeneste-spesifikke signaler, ikke tilpasset fra verktøy bygget for andre industrier eller andre brukstilfeller. Denne distinksjonen betyr noe fordi signalene som indikerer syntetisk innhold i en medisinsk post eller et diagnostisk bilde er forskjellige fra signalene som er relevante i andre domener.

På et høyt nivå analyserer systemet medisinsk dokumentasjon og bilder sammen med den fullstendige kravkonteksten, og det gjør det på sekunder. Når en SIU-etterforsker laster opp mistenkelig dokumentasjon, kjører AI-analysen over flere dimensjoner samtidig. Det søker etter indikatorer for syntetisk eller manipulert innhold, sjekker for kloning- og duplikatmønster over betalerens bredere kravshistorikk og vurderer atferds-konsistens mellom dokumentasjonen og leverandørens historiske mønster.

En ting verdt å merke seg er at systemet kan håndtere en bredde av formater. Det håndterer tekst-dokumenter i PDF, Word og XML, regneark, medisinske bilder og selv håndskrevne notater. Det betyr noe i praksis fordi svindeldokumentasjon ikke kommer i en enkelt, pent format, og et detekteringsystem som bare dekker en del av hva SIU-lag mottar, lar hull som sofistikerte svindlere til slutt vil finne.

Fra all denne analysen genererer systemet en risikopoeng på en skala fra 0 til 100 med detaljerte forklaringer, så etterforskeren forstår eksakt hvilke signaler drev poenget. Målet på hver trinn er å produsere handlebare utgangsdata i stedet for bare varslinger, og å gjøre det raskere og med større nøyaktighet enn et mer generelt system. Hastighet betyr noe fordi den eneste intervensjonspunktet som meningfullt endrer svindel-økonomi er før betaling skjer.

Deres plattform fremhever kapasiteter som kloning-deteksjon, delvis AI-generering-identifikasjon og atferds-kryss-referanser mot kravshistorikk. Kunne du gå gjennom hvordan disse signalene kombinerer for å produsere en meningsfull risikopoeng for etterforskere?

Hver av disse kapasitetene målretter et annet svindel-mønster, og risikopoenget reflekterer hvordan de samhandler i et bestemt tilfelle.

Kloning- og duplikatdeteksjon adresserer scenarioet der en enkelt ekte post er replikert over flere fabrikkerte pasienter. Hva gjør dette vanskelig å fange uten AI er at variasjonene kan være så subtile at ingen enkelt dokument ser mistenkelig ut i isolasjon. Mønsteret blir bare synlig når du sammenligner over hele kravpopulasjonen. Vårt system kan overflate at en samling poster som ser unike ut på overflaten faktisk er avledninger av en felles kilde.

Delvis AI-generering-identifikasjon er viktig fordi sofistikerte svindlere ikke alltid fabrikkere hele poster fra scratch. En mer vanlig og vanskelig å fange mønster er blanding, som betyr å ta en ekte pasientpost og bruke AI til å legge til fabrikkerte tilleggs-tjenester eller prosedyrer. De ekte seksjonene gjør dokumentet se troverdig ut, men de tilføyde seksjonene representerer krav for omsorg som aldri ble levert. Vårt system er spesifikt tilpasset for å finne disse instansene.

Atferds-kryss-referanser kobler dokumentasjonen som gjennomgås til leverandørens fullstendige kravshistorikk. Hvis dokumentasjonen presenterer kliniske narrativer som er uforenlig med hvordan leverandøren har historisk dokumentert lignende tilfeller, eller hvis volumet og mønsteret av støttedokumenter plutselig avviker fra baseline, er disse uoverensstemmelsene signaler. På egen hånd er ingen av dem konklusive. Sammen, vektet og forklart i risikopoeng-utgangen, gir etterforskerne en meningsfull utgangspunkt som ville ta timer eller dager å utvikle manuelt. Hva gjør dette forskjellig fra et system som bare flagger AI-generert innhold er kombinasjonen av signaler. Innholdsanalyse alene kan misse blandede dokumenter. Atferdsanalyse alene kan misse en førstegangs-svindler med ingen tidligere mønster. Det er skjæringspunktet av alle tre lag samtidig, prosessert på sekunder, som fanger hva andre AI-systemer ikke kan.

Sett fremover, tror du at deepfake-deteksjon vil bli en standard-komponent i helsetjeneste-infrastruktur, lignende hvordan anti-pengeløsningssystemer opererer i finans, eller vil industrien trenge helt nye tilnærminger til tillit og verifisering i medisinsk data?

Jeg tror at Deepfake Detection vil bli standard-infrastruktur, og tidsrammen for det er kortere enn de fleste mennesker i industrien forventer. Før AML-rammeverk ble standard i finanstjenester, avhengig industrien tungt av regelbasert deteksjon og manuell gjennomgang. Skiftet skjedde når trusselen nådde en skala som gjorde reaktiv deteksjon åpenbart utilstrekkelig, og når den regulerende miljøet kodifiserte forventningen om at finansielle institusjoner skulle ha systematisk, kontinuerlig oppdaterte kontroller på plass. Helsetjenesten nærmer seg et lignende vendepunkt.

Hva som allerede skjer er at betalerne som deployer deepfake-deteksjon nå gjør det fordi trusselen er virkelig og nåværende, ikke fordi reguleringen krever det. Etterhvert som disse tidlige deployeringene genererer bevis for tapene som forebygges, og etterhvert som AI-genererte svindel-schemer blir mer synlige i gjennomføringsaksjoner og offentlig rapportering, vil forventningen utvide seg over hele industrien.

Sett fremover, ettersom generativ AI fortsetter å forbedre seg, kan industrien trenge å tenke om hvordan dokumentasjonsautentisitet etableres på punktet for opprettelse i stedet for validering etter faktum. Det kan bety kryptografisk attestering av kliniske poster på EHR-nivå, leverandør-identifikasjon verifisert integrert i dokumentasjonsarbeidsflyten eller andre mekanismer som gjør opphavet av et dokument sporbart på måter det ikke er nå. Deteksjon på krav-nivå er en nødvendig respons på den nåværende trusselen. Men den varige løsningen kan trenge å bygge verifisering dypt inn i infrastrukturen for hvordan medisinske poster opprettes og overføres.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Codoxo.