Verzeichnis der Abschlussarbeiten

Diese Bachelorarbeit untersucht den Einsatz künstlicher Intelligenz (KI) in der Heilmittelabrechnung der Sozialversicherungsanstalt der Selbständigen (SVS), um Auffälligkeiten in den Abrechnungen zu erkennen. Durch die Analyse historischer Daten wurden drei Klassifikationsmodelle entwickelt, die darauf trainiert wurden, Abrechnungen mit potenziellen Auffälligkeiten zu identifizieren. Die Arbeit beschäftigt sich mit der Frage, ob KI-Modelle auffällige Abrechnungen mit einer Genauigkeit von über 80% erkennen können. Die Ergebnisse zeigen, dass durch die Verwendung spezifisch trainierter Algorithmen wie Support Vector Machines, Random Forests und Neuronalen Netzen, nur bei den unauffälligen Abrechnungen eine signifikante Erkennungsrate erreicht werden kann. Entgegen der aufgestellten Hypothese konnten auffällige Abrechnungen nicht mit einer ausreichenden Genauigkeit erkannt werden. Die gefundenen Erkenntnisse können aber in Zukunft auf eine erweiterte Datenbasis, die aufgrund der Einführung des e-Rezepts entsteht, angewendet werden.

This thesis investigates the use of artificial intelligence (AI) in the pharmaceutical billing processes of the Sozialversicherungsanstalt der Selbständigen (SVS) to detect anomalies in billing. By analyzing historical data, three classification models were developed to identify invoices with potential irregularities. The central question of the research was whether these AI models could accurately recognize billing discrepancies with more than 80% accuracy. The findings indicated that while algorithms such as Support Vector Machines, Random Forests, and Neural Networks performed well in verifying standard transactions, they failed to reliably detect erroneous ones, contrary to the initial hypothesis. Despite this, the insights gained from this study could prove useful for future analysis on larger datasets expected from the implementation of digital prescriptions.