Nowe narzędzia w ochronie zdrowia. AI analizuje recepty i blokuje podejrzane refundacje

Wystawianie fikcyjnych recept, zawyżanie refundacji i fałszywe świadczenia medyczne – to tylko część procederów, które drenują system ochrony zdrowia. Dane Centrum e-Zdrowia pokazują, że w 2024 roku sprzedaż leków na receptę osiągnęła wartość 29,6 mld zł[1], a szacunki wskazują, że 3-15%[2] tego obrotu może mieć związek z nadużyciami. Oznacza to w Polsce potencjalne straty nawet do 4,4 mld zł rocznie.

W lipcu 2025 roku polska policja rozbiła grupę, która w ciągu trzech lat wystawiła 40 tys. fikcyjnych recept, generując straty dla budżetu publicznego w wysokości 82 mln zł[3]. Według danych CeZ, w 2024 roku wystawiono ponad 513 mln e-recept, co pokazuje, jak trudne jest dziś wykrywanie nieprawidłowości w systemie tej skali.

– Recepty to wyjątkowo trudne dane do badania pod kątem nadużyć – mówi Marek Frysz,  Senior Account Executive, SAS. – Każdy pacjent jest inny, objawy mogą się różnić, dawka może być inna dla różnych płci czy grup wiekowych. Choć istnieją zalecane kuracje i odpowiednie regulacje dotyczące np. maksymalnych ilości, trzeba pamiętać, że każda recepta to inna historia. To daje wielkie pole do nadużyć. A trzeba przyznać, przestępcy też są sprytni i ich metody ciągle ewoluują.

Znajdowanie igieł w cyfrowym stogu siana

W odpowiedzi na te zjawiska, coraz więcej instytucji sięga po sztuczną inteligencję, która analizuje dane z wielu źródeł – recept, refundacji, historii pacjentów, rozliczeń aptek i lekarzy – w poszukiwaniu nietypowych schematów.

Sztuczna inteligencja nie zastąpi człowieka, ale podobnie jak w instytucjach finansowych, pozwala okiełznać ogromne ilości danych, wykrywając nieprawidłowości poprzez ciągłą analizę. Przykładowo, może wykryć czy lekarz za często wystawia recepty na daną osobę, czy zapisane leki są odpowiedzią na zapisaną na karcie pacjenta diagnozę, czy też jakie świadczenia powinny być refundowane i w jakim stopniu.

W USA firma Prime Therapeutics wdrożyła rozwiązanie analityczne „SAS Detection and Investigation for Health Care”, które połączyło dane farmaceutyczne, kliniczne i finansowe w jeden system. W ciągu 18 miesięcy udało się zaoszczędzić 355 mln USD dzięki wykryciu zorganizowanych schematów wyłudzeń z udziałem lekarzy, aptek i fałszywych podmiotów medycznych.[4]

Podobne efekty osiągnęły europejskie instytucje – ubezpieczyciele zdrowotni: DSW[5] i CZ[6] w Holandii – które wykorzystały narzędzia analityczne do monitorowania rozliczeń w trybie „pre-payment”, czyli zanim środki zostały wypłacone. Pozwoliło to ograniczyć nieuzasadnione refundacje i przyspieszyć reakcję na podejrzane transakcje.

– AI nie tylko pomaga reagować na nadużycia, ale uczy się ich wzorców i zapobiega ich powstawaniu. To narzędzie, które zmienia logikę całego systemu – z reaktywnego w predykcyjny. Dzięki uczeniu maszynowemu jesteśmy w stanie identyfikować subtelne zależności pomiędzy lekarzami, aptekami i pacjentami, które dla człowieka byłyby niewidoczne. Sztuczna inteligencja nie działa na zasadzie przypadkowego alarmu – potrafi rozpoznać kontekst, przewidzieć ryzyko i wskazać obszary wymagające interwencji zanim dojdzie do nieprawidłowości. W praktyce oznacza to nie tylko oszczędności finansowe, ale też większe zaufanie pacjentów do systemu ochrony zdrowia – podkreśla Marta Prus – Wójciuk, Head of Fraud Practice, SAS Central Europe.

Okiełznać maszynę

W ostatnim czasie rośnie również zainteresowanie generatywną sztuczną inteligencją (GenAI), która w zakresie wykrywania nadużyć może pełnić rolę uzupełniającą wobec  tradycyjnych systemów analitycznych i detekcyjnych. Badania SAS pokazują, że 87% organizacji ochrony zdrowia planuje wdrożyć rozwiązania oparte na generatywnej AI (GenAI), a 97% z nich ma już na ten cel określony budżet. Zarówno tradycyjna sztuczna inteligencja, jak i generatywna wymagają jednak odpowiedniego nadzoru, szczególnie w tak wrażliwym sektorze jak opieka zdrowotna. W przypadku GenAI pojawiają się obawy dotyczące wykorzystania tej technologii, a największe z nich odnoszą się do bezpieczeństwa danych (77%) i ochrony ich prywatności (76%). Dlatego pojęcie AI governance nabiera dziś nowego znaczenia – to już nie tylko kontrola nad danymi i ich jakością, lecz także zarządzanie odpowiedzialnością, przejrzystością i zgodnością działań algorytmów z wartościami organizacji.

– AI governance to przede wszystkim świadomy nadzór nad tym, jak algorytm analizują dane jakie mają konsekwencje dla pacjentów. Chodzi o zrozumienie, które decyzje mogą być zautomatyzowane i kto ostatecznie odpowiada za ich skutki. W ochronie zdrowia, gdzie decyzje AI mogą realnie wpływać na życie pacjentów, takie podejście ma kluczowe znaczenie – od sposobu trenowania modeli po sposób, w jaki lekarz interpretuje ich wyniki. Szczególnie ważne jest zapewnienie transparentności i wytłumaczalności decyzji algorytmów – dodaje Marta Prus–Wójciuk.

[1] https://stat.gov.pl/obszary-tematyczne/zdrowie/zdrowie/sprzedaz-lekow-na-recepte-w-2024-r-,29,3.html

[2] https://archpublichealth.biomedcentral.com/articles/10.1186/s13690-025-01512-8

[3] https://www.medexpress.pl/ochrona-zdrowia/wyludzili-z-nfz-82-miliony-z-nfz-setki-fikcyjnych-recept-i-21-zatrzymanych/

[4] https://blogs.sas.com/content/sascom/2020/08/26/catch-a-fraudster-finding-the-needle-in-the-haystack-with-ai/?utm_source=chatgpt.com

[5] https://www.sas.com/nl_nl/customers/dsw-bestrijdt-zorgfraude-met-sas-fraud-framework.html?utm_source=chatgpt.com

[6] https://www.sas.com/nl_nl/customers/CZ-fraude-framework.html?utm_source=chatgpt.com