L’Assurance maladie fait évoluer son modèle de data mining pour mesurer les probabilités de fraude

À l’occasion de son bilan 2018 de la lutte contre la fraude, présenté le 1er octobre 2019, l’Assurance maladie a détaillé les techniques utilisées pour exploiter ses bases de données statistiques, à savoir l’exploration de données. Elle a ainsi développé en 2017 un modèle de data mining afin de mieux identifier la fraude à l’obtention des droits. Il s’agit de “data mining raisonné” : “à partir d’une fouille ordonnée des bases de données de l’Assurance maladie, des indicateurs de ciblage sont construits à partir de l’expérience acquise”. Après une expérimentation en 2018 dans seize caisses primaires, ce modèle a été étendu à l’ensemble du territoire en 2019. Mais l’Assurance maladie estime qu’il “présente des limites car il ne permet pas de cibler tous les potentiels fraudeurs”. Un nouveau modèle “par apprentissage supervisé” sera donc construit en 2019-2020. Il se consacrera aux dispositifs médicaux. “À partir de cas de fraudes identifiés et de cas de non fraudes, la création de modèles permet de mesurer a priori (avant investigation) la probabilité de fraude d’un acteur.”

À noter : L’Assurance maladie poursuit par ailleurs des travaux, en partenariat avec l’École Polytechnique, afin de mettre au point des algorithmes qui permettront de croiser les données en recherchant les cas de fraudes sans critère prédéfini initialement, le Système national d’information inter régimes de l’Assurance Maladie (Sniiram) étant analysé dans son intégralité.