Implementing Random Forest Method for Healthcare Provider Fraud Detection Framework to Mitigate Financial Risk and Cost Optimization in Healthcare Management

의료 시스템을 거대하고 북적이는 도시라고 상상해 보세요. 의사와 병원(제공자)들이 환자를 돌본 대가로 돈을 받기 위해 매일 수백만 개의 '영수증'을 보냅니다. 불행하게도, 이 영수증 중 일부는 가짜이거나, 금액이 부풀려졌거나, 실제로 일어나지 않은 서비스에 대한 것입니다. 이는 마치 어떤 이들이 존재하지 않는 다리를 건설했다고 속이거나, 사과 한 개를 배달하고는 백만 개를 배달했다고 청구하며 도시의 국고에 추가적인 동전을 몰래 집어넣으려는 사기꾼 무리와 같습니다.

오랫동안 도시 경비병들은 단순한 규칙 책을 사용하여 이 사기꾼들을 잡으려 노력했습니다: "만약 청구가 X처럼 보인다면, 중단하라." 하지만 사기꾼들은 영리해서, 그들은 계속해서 옷을 갈퀴질하고 새로운 방식으로 자신의 속임수를 숨깁니다. 그래서 기존의 규칙 책은 쓸모없게 되었습니다. 제니 파텔(Jenny-Patel)의 논문은 단순히 규칙 책을 사용하는 대신, **랜덤 포레스트(Random Forest)**라는 초스마트 탐정 팀이 필요하다고 제안합니다.

탐정 팀 vs 외로운 늑대

기존의 방법들(의사결정 나무, 로지스틱 회귀, 나이브 베이즈 등)을 외로운 탐정이라고 생각해보세요. 외로운 탐정은 특정 유형의 가짜 영수증을 찾아내는 데는 능숙할 수 있지만, 사기꾼이 스타일을 바꾸면 탐정은 혼란에 빠지거나 단서를 놓치게 됩니다. 그들은 너무 흥분하여 무고한 사람을 범죄자로 몰거나(오탐), 실제 악당을 완전히 놓칠 수도 있습니다.

랜덤 포레스트 방식은 다릅니다. 100명의 서로 다른 탐정으로 구성된 전체 숲을 상상해 보세요. 각 탐정은 단서를 약간씩 다른 각도에서 살펴봅니다. 그들은 단순히 추측하는 것이 아니라, 모두가 투표를 통해 누가 유죄인지 결정합니다.

• 승리하는 이유: 그들은 협력하기 때문에 쉽게 속지 않습니다. 한 명의 탐정이 실수를 하더라도, 다른 탐정들이 이를 바로잡습니다. 이 팀은 훨씬 더 속이기 어렵고, 의료 도시의 복잡하고 엉킨 데이터에 의해 혼란을 겪지도 않습니다.
• 결과: 저자가 수행한 실험에서 이 탐정 팀은 명확한 승자였습니다. 그들은 사기 행위의 **94%**를 정확히 잡아낸 반면, 다른 방법들(SVM, 로지스틱 회귀, 나이브 베이즈 등)은 81%에서 89% 사이의 낮은 점수를 기록했습니다.

"보이지 않는" 문제

이 도시의 아주 큰 문제 중 하나는 악당들이 매우 드물다는 점입니다. 수천 명의 정직한 제공자 중 오직 극소수만이 속임수를 씁니다. 만약 당신이 "모두가 정직하다"라고만 추측하도록 탐정을 훈련시킨다면, 그 예측은 대부분의 경우 맞겠지만 모든 범죄자를 놓치게 될 것입니다.

이를 해결하기 위해, 논문은 SMOTE-Tomek이라 불리는 영리한 기술을 사용했습니다. 이것을 현실적인 "연습용" 악당 사례를 만들어내는 마법 복사기라고 생각해보세요. 이 복사기는 실제 범죄가 일어날 때까지 기다리지 않고도 탐정들이 악당의 모습을 학습할 수 있도록 돕습니다. 이는 탐정들이 정직한 다수에게 편향되지 않도록 공정한 운동장을 만들어 줍니다.

점수판

논문은 네 가지 주요 통계를 사용하여 랜덤 포레스트 팀이 얼마나 잘 수행했는지 측정했습니다:

• 정확도 (Accuracy): 팀은 **94%**의 확률로 정답을 맞혔습니다.
• 정밀도 (Precision): 누군가를 사기꾼이라고 지목했을 때, 그들은 **93%**의 확률로 옳았습니다 (오탐은 7%뿐이었습니다).
• 재현율 (Recall): 그들은 실제 사기꾼의 **95%**를 잡아냈습니다 (탈출한 범죄자가 거의 없었습니다).
• F1-스코어 (F1-Score): 정밀도와 재현율의 균형을 나타내며, 랜덤 포레스트는 **94%**를 기록하여 다음으로 높은 점수를 받은 SVM(89%)을 앞질렀습니다.
• AUC-ROC: 이것은 "팀이 선과 악을 구별하는 능력이 얼마나 좋은가?"를 나타내는 세련된 방식입니다. 랜덤 포레스트는 0.96(1.0 만점)을 기록했으며, 논문에서는 이를 "탁월함(outstanding)"이라고 부릅니다.

팀이 발견한 것

랜덤 포레스트 팀이 단서들을 살펴보았을 때, 가장 큰 위험 신호는 단순히 하나의 이상한 숫자가 아니었습니다. 그들은 다음과 같은 것들을 살펴보았습니다:

• 제공자가 요청한 총 금액.
• 환자당 청구한 클레임 횟수.
• 환자의 평균 입원 기간.
• 특정 유형의 치료에 대해 청구한 빈도.

이러한 패턴들은 팀이 "유령 청구"(실제로는 하지 않은 서비스에 대해 청구하는 것)와 "업코딩"(저렴한 서비스를 수행하고 비싼 서비스로 청구하는 것)을 찾아내는 데 도움을 주었습니다.

이것이 도시에 의미하는 바

논문은 의료 기관들이 랜덤 포레스트 방식을 사용함으로써, 사기가 발생한 후에 이를 해결하려고 노력하는(비용이 많이 들고 느린 방식) 대신, 선제적으로 대응할 수 있다고 제안합니다. 대신, 모델을 사용하여 모든 제공자에게 "위험 점수"를 부여할 수 있습니다.

• 위험도가 높다면? 즉시 실제 조사관을 파견합니다.
• 위험도가 낮다면? 업무가 원활하게 진행되도록 둡니다.

이를 통해 사기꾼들이 수십억 달러를 훔치기 전에 차단함으로써 비용을 절감하고, 무고한 제공자들에게 자원을 낭비하지 않음으로써 시간을 절약할 수 있습니다. 논문은 우리가 모든 사기를 막을 수는 없지만, 이 머신러닝 도구가 의료 시스템을 더 안전하고 효율적으로 만드는 강력하고 확장 가능한 방법이라고 결론짓습니다.

중요 참고 사항: 저자는 이러한 테스트를 수행하기 위해 공개 데이터셋(Kaggle에서 발견됨)을 사용하였으며, 랜덤 포레스트를 다른 알려진 방법들과 비교하였습니다. 결과는 랜덤 포레스트가 현재 이 특정 작업에 있어 가장 강력한 도구임을 보여주지만, 이 논문이 랜덤 포레스트가 세상의 모든 문제를 해결하는 마법 지팡이라고 주장하는 것은 아닙니다. 단지 이러한 유형의 금융 속임수를 찾아내는 데 있어 지금까지 테스트된 것 중 최선의 옵션이라는 점을 밝히고 있습니다.