Track ini membahas berbagai jenis fraud dan teknik investigasi yang diperlukan. Track ini dianggap penting bagi perkembangan sistem pencegahan, deteksi dan penindakan fraud dalam jaminan kesehatan di Indonesia maka penulis mengalokasikan cukup banyak waktu untuk mengikuti berbagai topik yang ada dalam track ini. Berikut reportasenya:
Topik I: Health IT and the Impact on Investigations disampaikan oleh Daniel Arce, Special Agent, U.S. Department of Health & Human Services, OIG-OI.
Sesi ini membahas bagaimana information technology (IT) dalam bidang pelayanan kesehatan menyebabkan perubahan dalam proses investigasi fraud. Pembicara mendemonstrasikan teknik untuk mengidentifikasi berbagai jenis fraud dalam Medicare seperti peserta yang tidak berhak, peserta yang berobat berulang, tagihan yang di luar kebiasaan, pelayanan yang memiliki tanggal mulai/akhir yang sama, diagnosis gangguan jiwa yang belum pernah ditegakkan sebelumnya, dan pemetaan antara daerah tempat tinggal peserta dengan lokasi provider. Pembicara juga akan menggambarkan penggunaan penyimpanan data secara online termasuk “cloud email” dan bagaimana penegak hukum dapat menggunakan data ini. Sesi ini juga akan membahas penggunaan data mining dari sosial media.
Teknologi informasi bukan barang baru di dunia kesehatan. Salah satu bentuk teknologi kesehatan yang banyak digunakan adalah Electronic Medical Record (EMR) dan Electronic Health Record (EHR). Walaupun sepintas mirip, namun ada perbedaan mendasar antara EMR dan EHR ini. Dalam EMR hanya terdapat format pengumpulan data medis dan klinis standar pasien di sebuah fasilitas kesehatan. EMR merupakan versi digital dari rekam medis kertas yang digunakan provider untuk diagnosis dan perawatan. Sementara, EHR lebih dari itu.
Dalam EHR selain terdapat format pengumpulan data, terdapat juga riwayat kesehatan pasien secara komprehensif. Contohnya, EHR didesain untuk mengandung dan membagi informasi dari semua provider yang terlibat dalam perawatan pasien. Data EHR dapat disusun, diatur, dan dikonsulkan kepada provider dan staf berwenang antar fasilitas kesehatan. EHR juga memungkinkan data pasien “bergerak” secara fleksibel baik antar klinisi, fasilitas kesehatan, maupun antar negara. Sedangkan EMR lebih statis dan tidak mudah dibagi untuk provider lain.
EMR memiliki manfaat untuk menelusuri data setiap waktu, mengidentifikasi pasien yang datang untuk perawatan pencegahan dan skrining, serta memonitor pasien menggunakan beberapa parameter seperti vaksinasi dan tekanan darah. EMR juga bermanfaat untuk meningkatkan kualitas layanan kesehatan dalam praktek. EHR bermanfaat untuk meningkatkan kualitas dan kenyamanan perawatan pasien, meningkatkan partisipasi pasien dalam perawatan, meningkatkan akurasi diagnosis dan keluaran kesehatan, meningkatkaan koordinasi perawatan, dan meningkatkan efisiensi praktek dan biaya.
Teknologi lain yang digunakan dalam kesehatan adalah Software as a Service (SaaS). SaaS adalah software model distribusi yang aplikasinya dipegang oleh vendor atau service provider dan dapat dipakai oleh customer melalui jaringan internet. Manfaat penggunaan model Saas adalah memudahkan administrasi, update otomatis, compatible, memudahkan kolaborasi, dan dapat diakses secara global.
Selain memberi manfaat positif dalam perawatan pasien, software-software ini juga dapat membantu mendeteksi skema fraud dalam data klaim pasien. Dengan penggunaan teknologi semacam ini, indikator terjadinya fraud dapat dideteksi. Misalnya, perubahan diagnosis primer pasien atau pasien dengan tanpa diagnosis. Indikator lainnya adalah diskontinuitas diagnosis pasien, variasi lama perawatan pasien dengan diagnosis yang sama, siklus perawatan pasien, perpindahan dari provider satu dan yang lain dalam satu rentang waktu. Software ini juga dapat mendeteksi skema fraud dalam bentuk identifikasi kick back yang dilakukan tertanggung asuransi. Identifikasi ini juga terkait pasien yang lain dirawat pada hari yang sama dan melihat pola-pola seperti ini pada suatu rentang waktu.
Teknologi juga dapat membantu kita mencari pola perekrutan pasien dengan melihat data layanan dengan tanggal mulai dan selesai yang sama. Kita juga bisa membandingkan klaim perawatan kunjungan Medicare Part B dengan perawatan atau kunjungan pada program lain. Penggunaan geo location juga dapat membantu kita mengidentifikasi grup penerima manfaat yang tinggal berdekatan dalam grup HWH atau ALF.
Media sosial juga dapat kita gunakan untuk mendapatkan informasi misalnya facebook, twitter, dan lainnya. Sebagian besar sosial media membutuhkan akun untuk melihat profil. Beberapa situs seperti Linked In memiliki alert tentang orang yang sudah melihat profil kita. selain sosial media, ada situs-situs pencari untuk menggali informasi yang kita butuhkan dalam proses investigasi fraud ini, misalnya Feedly ( https://feedly.com ). Feedly memudahkan kita mencari informasi berdasarkan title, URL atau topik. Ada juga IFTTT ( https://ifttt.com/ ). IFTT adalah software logic yang memungkinkan kita membuat koneksi dengan pernyataan sederhana: “if this then that“. Software lainnya adalah geo mapping atau google spreadsheet mapper. Software ini dapat kita gunakan untuk menandai lokasi. Ada juga software IP adress CEO lookup ( www.iplocation.net/ ). Software ini membantu kita untuk menandai lokasi geografis dari sebuah IP adress. Terakhir, ada Jeffrey’s Exif Viewer yang merupakan software untuk melihat metadata yang tertanam dalam sebuah gambar foto.
Topik II: Making the Case with Data: Two Case Studies
dipaparkan oleh Catherine Dick, Assistant Chief, U.S. Dept. of Justice, Criminal Division, Fraud Section dan Laura Cordova, Assistant Chief, Health Care Fraud, Criminal Division, Fraud Section, U.S. Department of Justice.
Kedua jaksa penuntut dari negara bagian ini mempresentasikan kasus dan detail investigasi yang mereka lakukan serta cara penggunaan data. Mereka menggunakan dua studi kasus dari pengadilan yang melibatkan kasus di “mental health center” dan “home health care“.
Terdapat empat macam proses identifikasi yang mereka gunakan dalam dua studi kasus tuntutan fraud terhadap sarana pelayanan kesehatan yaitu dengan mengidentifikasi “patient cycling“, hubungan yang mencurigakan antar provider, tagihan yang tidak mungkin (impossible), dan “back billing”
“Patient cycling” dilakukan dengan memasukan pasien berulang-ulang atau merujuk pasien ke provider lain secara bergantian. Pada kasus yang dicontohkan (pasien gangguan mental) dilakukan perawatan berulang antara Partial Hospitalization Program (PHP) dimana bertujuan untuk terapi psikiatri secara intensif untuk periode akut dengan perawatan Intensive Outpatient Program (IOP) dimana bertujuan untuk merawat pada level yang lebih rendah dari PHP. Namun demikian, pasien dirujuk berulang dari PHP ke IOP hingga 4 tahun yang secara medis tidak mungkin pasien mengalami serangan akut berulang setiap 3-4 minggu pada kasus tersebut.
Hubungan yang mencurigakan antar provider terlihat dari adanya penggunaan ambulans secara berulang-ulang untuk sekelompok pasien yang sama, dimana sebenarnya pasien tersebut tidak membutuhkan layanan ambulans (di USA banyak asuransi kesehatan memiliki jaminan layanan ambulans).
Penagihan billing yang tidak masuk akal umumnya terkait dengan pencurian identitas peserta asuransi, dimana banyak ditemukan tagihan yang berasal dari pasien yang sudah meninggal, atau sedang dipenjara atau sedang dirawat dirumah sakit. Sedangkan “back billing” adalah tagihan susulan untuk pelayanan yang telah diberikan, umumnya diperbolehkan karena ada proses tagihan yang salah sebelumnya, namun pada kasus ini back billing dilakukan dalam bentuk fraud untuk menambah tagihan yang sebenarnya tidak diperlukan.
Topik III: Impact of ICD-10 on the SIU dibawakan oleh Jonnie Massey, CPC, CPC-P, CPC-I, CPMA, AHFI (Senior Investigator, Blue Shield of California).
Peserta diberikan berbagai informasi mengenai perubahan pada pengkodean ICD-10 dan bagaimana hal tersebut akan mempengaruhi investigasi. Sesi ini juga membahas berbagai perubahan penting baik format kode maupun cara pendokumentasian kode medis untuk klaim. Istilah baru dalam ICD-10-CM juga dibahas. Perubahan dalam audit dan investigasi juga dibahas oleh pembicara.
Sesi ini penting bagi para peserta (USA) karena USA termasuk dari sedikit negara yang belum menerapkan ICD-10 (tidak seperti Indonesia yang sudah menerapkan ICD-10), USA baru menerapkan ICD-10 pada tanggal 1 Oktober 2014. Akan ada 2 macam ICD yaitu ICD-10-CM (untuk klinisi) dan ICD-10-PCS (untuk koder).
Sesi awal menjelaskan mengenai manfaat ICD-10 dan cara penggunan ICD-10 kemudian menjelaskan dampak penggunaan ICD-10 dalam investigasi. Pertama, terkait dengan data mining (termasuk program/software data mining) dimana ada kemungkinan terjadinya klaim yang terlambat dan klaim yang salah (meski ICD-10 dinilai dapat menurunkan ambiguity dan kesalahan interpretasi). Kedua, dampak lain adalah adanya biaya yang akan keluar dengan pemberlakukan ICD-10 (biaya untuk pelatihan, mengubah software, dsb) yang justru dikuatirkan akan meningkatkan fraud (misalnya dengan upcoding). Ketiga, terkait dengan aktivitas dari para investigator terkait dengan cara me-review rekam medik dan data klaim. Keempa,t terkait dengan meningkatnya beban kerja investigator karena akan banyak kecurigaan fraud serta klaim yang perlu direvisi (back billing) kemungkinan overpayment (sehingga mucul permintaan untuk pengembalian dana)
Melihat berbagai perubahan tersebut, narasumber sangat menyarankan agar para investigator mengikuti pelatihan mengenai ICD-10, termasuk kaitannya dengan koding, dokumentasi, billing.
Topik IV: Behavioral Health Audits
disampaikan oleh Amanda Brown, AHFI (Compliance Officer, New Directions Behavioral Health) dan Jonnie Massey, CPC, CPC-P, CPC-I, CPMA, AHFI (Senior Investigator, Blue Shield of California).
Sesi ini mengungkap tantangan unik untuk melakukan audit sarana pelayanan kesehatan jiwa, termasuk “privacy laws”, up-coding dan terapi face to face dibandingkan dengan terapi melalui telefon. Menggunakan contoh audit dan contoh rekam medis, para pembicara menunjukan bagaimana mengidentifikasi adanya “red flags” dalam rekam medis pelayanan jiwa.
Sesi dibuka dengan bagaimana mengahadapi penolakan untuk mendapatkan akses ke rekam medik. Penolakan ini umumnya karena provider tidak memahami kepentingan/keperluan akses terhadap rekam medik atau tidak ada SDM yang dapat menyediakan dokumen tersebut. Strategi untuk menghadapi penolakan ini adalah dengan menjelaskan bahwa tidak semua rekam medis yang diminta namun hanya beberapa catatan khusus dan juga mengingatkan bahwa dikontrak sudah ada kesanggupan untuk menyediakan rekam medik, serta kepentingannya hanya untuk proses pembayaran klaim.
Beberapa koding yang bisa mengidentifikasi “red flag” seperti kode 90792 tapi tidak dilakukan oleh dokter ahli jiwa, kode 90791 yang dilakukan lebih dari satu kali sehari, kode 90832 atau 90834 atau 90837 tetapi tidak mencantumkan lama waku terapi yang dibutuhkan, karena kode-kode tersebut merupakan time-based (30, 45, 60 menit), atau selalu menggunakan kode 90837 (karena ini yang memakan waktu terlama) atau frekuensinya lebih dari 1 kali seminggu.
Topik V: Using the Anti-Kickback Statute to Attack Corruption in the Healthcare Industry
dipaparkan oleh Joseph Mack, JD dan Scott McBride (keduanya adalah Assistant United States Attorney, U.S. Attorney’s Office, District of New Jersey) serta Eric Rubenstein (Special Agent, U.S. Department of Health & Human Services, OIG-OI).
Sesi ini membahas mengenai salah satu elemen dari regulasi Anti-Kickback dan proses investigasi yang unik untuk membuktikan beberapa pelanggaran. Narasumber memaparkan beberapa kasus dimana provider mendapatkan kickback dalam bentuk uang cash sebagai imbalan untuk merujuk pasien yang memerlukan layanan radiologi.
Pengertian kickback adalah meminta atau menerima/menawarkan atau membayar berbagai bentuk remunerasi (biasanya dalam bentuk uang) sebagai imbalan atas rujukan untuk seseorang/pasien untuk memberikan barang atau jasa/pelayanan yang yang pembayaran dapat dilakukan secara keseluruhan atau sebagian oleh program JKN.
Berbagai bentuk kickback seperti: diskon atau uang tunai dari provider untuk setiap rujukan yang diterima, hal ini juga berlaku meski diskon tersebut dituliskan dalam bentuk kontrak atau perjanjian. Bentuk Kickback seperti ini membuat sulitnya melakukan investigasi karena para pihak yang telibat umumnya tidak ada kooperatif, sehingga dibutuhkan adanya bukti dalam bentuk video atau audio dan aliran dana (misalnya penarikan uang tunai secara rutin dari rekening bisnis dan pengeluaran cek tertulis kepada penerima pembayaran tidak mungkin)
Contoh kasus yang diungkapkan adalah pemberian kickback kepada para dokter yang merujuk pasiennya ke salah satu klinik pemeriksaan MRI. Kasus ini melibatkan 16 dokter, 1 orang pimpinan klinik, 2 kali surat penggeledahan (ke kantor MRI dan kantor para dokter), bukti kickback sebesar USD 55.000,- dan tagihan ke Medicare dan Medicaid sebesar USD 2.500.000,- selama 2 bulan pengamatan.
Sebenarnya kasus ini dikembangkan dari beberapa informasi dan “billing fraud” yang pada awalnya tidak terkait dengan anti kickback statute, namun kemudian dikembangkan dengan cara melakukan investigasi mulai dari pimpinan klinik MRI kemudian menelusuri uang yang diberikan kepada para dokter dan juga menginterograsi para perantara (marketing repersentatif). Dari sini investigasi dikembangkan dengan mengumpulkan berbagai bukti antara lain melalui video, foto dan audit yang merekam perhitungan jumlah rujukan dan nilai uang, memantau jumlah uang yang ditransfer, alamat transfer, tanggal transfer, dan sebagainya.
Dari kasus ini 15 dari terdakwa dijatuhi hukuman penjara dan 3 lainnya dijatuhi hukuman percobaan.
Topik VI: Emerging Fraud Schemes in Medicare dibawakan oleh Jennifer Trussell, Special Advisor, U.S. Department of Health and Human Services, OIG – OI.
Sesi ini mengekplorasi berbagai bentuk utama fraud yang paling mempengaruhi program Medicare dan Medicaid, dan berbagai tips untuk mengidentifikasi secara cepat berbagai fraud tersebut. Sesi ini juga membahas berbagai tantangan yang akan dihadapi di masa mendatang.
Sepanjang tahun 2006 – 2012 klaim Medicare yang paling meningkat adalah untuk Device and Medical Equipment (DME). Namun, selain DME, berkembang juga skema-skema baru dari masing-masing program Medicare.
Program Medicare Part A mencakup hospital care, skilled nursing facilty care, nursing home care, hospice, dan home health service. Skema fraud yang berkembang dalam program ini diantaranya peningkatan pemeriksaan laboratorium dan radiologi yang tidak diperlukan secara medis, perawatan bedah ortopedi dan kardiologi invasif yang tidak dibutuhkan, tren yang berlanjut terkait for profit health systems, keberlanjutan tren perawatan onkologi yang mahal, dan keberlanjutan peningkatan adverse events dan patient harm.
Program Medicare Part B mencakup pemeriksaan laboratorium, pembedahan, dan kunjungan dokter. Bentuk fraud dalam program ini diantaranya terjadi pada test laboratorium dan radiologi diagnostik. Misalnya, pemeriksaan ini ditarget pada pasien tertentu untuk menyerap biaya, pemeriksaan yang dianjurkan biasanya yang berbiaya mahal seperti tes genetik. Fraud juga dapat terjadi pada perawatan kulit, misalnya diagnosis palsu pertumbuhan kanker dan misinterpretasi prosedur kosmetik. Bentuk fraud lainnya terjadi dalam skema kikbacks untuk pelayanan chiropractic. Fraud dalam bentuk pemeriksaan dan perawatan yang tidak perlu juga terjadi pada ophtalmology, tes alergi, serta sleep study. Bentuk-bentuk fraud pada program Medicare Part B hampir mirip dengan Medicare Part C.
Program Medicare Part D mencakup segala bentuk peresepan obat-obatan. Bentuk fraud dalam program ini diantaranya adalah phantom pharmacy, dan peningkatan pharmacy hybrid baik secara legal maupun ilegal. Fraud semacam ini menarget pasien lanjut usia. Distribusi per 1000 farmasi dengan resiko yang paling tinggi terjadi di Miami (390 USD). Bentuk-bentuk fraud lain dalam Medicare Part D dapat dilihat pada acara General Session
Bentuk fraud lain yang berkembang dalam Medicare adalah pencurian identitas. Perusahaan telemarketing berpura-pura sebagai pemerintah untuk menggali informasi dari target. Pancurian identitas ini marak dengan adanya internet pharmacy. Pengolahan data secara terus menerus dan rutin menjadi tantangan penanganan fraud di masa mendatang.
{jcomments on}