Medication-Aware Financial Exploitation Detection for Alzheimer's Patients Using Edge-Aware Interaction Risk Modeling

Technische Samenvatting: Medicatie-bewuste Detectie van Financiële Uitbuiting bij Alzheimer-patiënten

Probleemstelling
Financiële uitbuiting vormt een aanzienlijke bedreiging voor individuen met de ziekte van Alzheimer, met name tijdens perioden van verminderde cognitieve stabiliteit. Conventionele fraudedetectiesystemen vertrouwen doorgaans uitsluitend op financiële gedragspatronen en negeren klinisch relevante factoren die de kwetsbaarheid dynamisch veranderen. Bestaand onderzoek behandelt kwetsbaarheid vaak als een statische conditie of richt zich op algemene zorgverlenings- en communicatietools, waarbij het nalaat om dynamische klinische context — specifiek medicatietrouw — te integreren in risicomodellering op transactieniveau. Gevolgen hiervan is dat standaard anomaliedetectie mogelijk niet in staat is om dezelfde transactie anders te interpreteren op basis van de huidige klinische staat van de patiënt (bijvoorbeeld of een geplande dosis is gemist).

Methodologie
Het artikel stelt een medicatie-bewust kader voor dat medicatietrouw-gegevens synchroniseert met financiële transactiestromen om cognitief risicovolle financiële gebeurtenissen te detecteren. De methodologie is gestructureerd rond drie lagen: een perceptielaag voor event-capturatie, een redeneerlaag voor feature-alignement en een actielaag voor risicoscoring.

• Dataset Constructie: Een hybride gesimuleerde dataset werd gegenereerd met 180 synthetische patiënten over 45 dagen, wat resulteerde in 8.100 medicatieregisters en 30.855 transacties. Medicatietrouw werd gemodelleerd als een dagelijkse geplande gebeurtenis waarbij een gemiste dosis een "kwetsbaarheidsvenster" triggert (duur van 12 uur). Transacties werden gegenereerd met patiëntspecifieke Poisson-processen, waarbij de kans op burst-activiteit en uitbuiting toenam tijdens deze kwetsbaarheidsvensters.
• Feature Engineering: Vijf kernfeatures werden geëxtraheerd voor elke transactie:
  1. Bedrag Anomalie ($A_i$): Een robuuste positieve afwijkingsscore gebaseerd op de patiëntspecifieke mediaan van de uitgaven.
  2. Vendor Novelty ($V_i$): Binaire indicator of de verkoper onbekend is.
  3. Frequentie Spurt ($F_i$): Afwijking in het aantal transacties binnen een venster van één uur.
  4. Tijd Afwijking ($T_i$): Risicoscoring gebaseerd op het uur van de dag.
  5. Medicatie Adherentie ($M_i$): Binaire indicator (1 voor ingenomen, 0 voor gemist).
• Predictieve Modellering: Drie logistische regressie-formuleringen werden geëvalueerd:
  1. Financieel-alleen Baseline: Gebruikt features $(A, V, F, T)$.
  2. Additieve Medicatie-bewuste: Voegt $M_i$ toe als een directe feature.
  3. Interactie-bewuste Model: Behoudt de originele features en voegt interactietermen toe $(A(1-M), V(1-M), F(1-M), T(1-M))$. Deze formulering test of het missen van medicatie de interpretatie van financiële anomalieën verandert.
• Evaluatie: Modellen werden getraind op 80% van de patiënten en getest op 20%. Prestaties werden gemeten aan de hand van accuratesse, precisie, recall, F1-score, ROC-AUC en Average Precision (AP). Cruciaal was een secundaire evaluatie die de testset beperkte tot transacties die plaatsvonden binnen de kwetsbaarheidsvensters om de veiligheidskritische prestaties te beoordelen.

Belangrijkste Bijdragen

1. Kader Innovatie: Introductie van een medicatie-bewust risicomodelleringskader dat adherentie behandelt als een contextuele modifier van financieel risico in plaats van een statische patiëntbeschrijving.
2. Data Synthese: Constructie van een gesynchroniseerde hybride dataset die dagelijkse medicatiegebeurtenissen koppelt aan transactiestromen, waarbij de temporele koppeling tussen gemiste doses en verhoogd uitbuitingsrisico expliciet wordt gemodelleerd.
3. Model Vergelijking: Een comparatieve analyse van interpreteerbare gewogen scoring, additieve baselines en interactie-bewuste modellen, die aantoont dat interactietermen de klinische hypothese beter vastleggen.
4. Contextuele Evaluatie: Prestatiebeoordeling die onderscheid maakt tussen globale detectiecapaciteiten en sensitiviteit specifiek binnen medicatie-geïnduceerde kwetsbaarheidsvensters.

Resultaten

• Globale Prestaties: De financieel-alleen baseline bereikte de hoogste globale F1-score (0.5000). Het interactie-bewuste model had een iets lagere globale F1 (0.4826) maar bereikte de hoogste Average Precision (0.4476) en recall (0.6407), wat wijst op een superieure rangschikking van hoog-risico gevallen.
• Prestaties in Kwetsbaarheidsvensters: De meest significante bevinding vond plaats tijdens vensters met gemiste medicatie. Het interactie-bewuste model verbeterde de recall van 0.7442 (financieel-alleen) naar 0.9070, met slechts een marginale daling in F1-score (0.5865 vs. 0.5926). Dit suggereert dat het model een hoger deel van de werkelijke uitbuitingsgebeurtenissen identificeert wanneer de patiënt klinisch kwetsbaar is.
• Feature Interpretatie: Coëfficiëntanalyse onthulde dat vendor novelty het dominante signaal is. Echter, de interactietermen $V(1-M)$ en $A(1-M)$ waren positief, wat bevestigt dat onbekende verkopers en abnormale bedragen aanzienlijk verdachter worden wanneer medicatie wordt gemist. Medicatie-adherentie zelf fungeert als een contextuele modifier in plaats van een op zichzelf staande voorspeller.

Betekenis en Claims
Het artikel claimt dat medicatie-adherentie het meest effectief is niet als een geïsoleerde voorspeller van fraude, maar als een contextuele modifier die de interpretatie van financiële anomalieën verandert. De studie demonstreert dat het synchroniseren van klinische en financiële signalen een meer contextbewuste bescherming mogelijk maakt voor cognitief kwetsbare individuen.

De auteurs benadrukken dat het kader is ontworpen voor edge-aware, privacy-gevoelige implementatie, waarbij ruwe data wordt omgezet in compacte risico-features om blootstelling van gevoelige klinische of bankgegevens te voorkomen. Zij pleiten voor een gelaagde beschermingsstrategie: een financieel-alleen detector voor algemene screening, aangevuld met een interactie-bewust model dat de sensitiviteit tijdens specifieke kwetsbaarheidsvensters verhoogt. Deze aanpak ondersteunt graduele interventies (bijv. controle door een mantelzorger) in plaats van automatische blokkering, waardoor de autonomie van de patiënt behouden blijft terwijl het risico op gemiste uitbuiting tijdens kritieke perioden wordt geminimaliseerd.

Het artikel stelt expliciet dat deze bevindingen gebaseerd zijn op simulatie-gebaseerde validatie en geen aanspraak maken op onmiddellijke gereedheid voor live klinische of bancaire implementatie. De primaire bijdrage is het bewijs van concept dat interactie-bewuste modellering de kwetsbaarheidsgevoelige detectie verbetert vergeleken met financieel-alleen of additieve baselines.