Création et validation d'un outil de détection de la fraude par falsification d'ordonnance à partir des bases de données de l'Assurance Maladie

Creating and Validating a Tool able to Detect Fraud by Prescription Falsification from Health Insurance Administration Databases

¹ Service de Pharmacologie Clinique, CEIP, CHU Nantes, France
² Service Médical de l'Assurance Maladie, Nantes, France

Reçu : 3 Novembre 2008
Accepté : 5 Février 2009

Résumé

Objectifs. Permettre la détection des ordonnances falsifiées qui ont été délivrées et remboursées. 
Méthode. 1- Sélection dans les bases régionales de l'assurance maladie de patients à comportement hautement suspect de fraude (multiprésentation de la même ordonnance, le même jour dans plusieurs pharmacies différentes) 2- Attribution d'un "diagnostic" de fraude par le CEIP (Centre d'Évaluation et d'Information sur la Pharmacodépendance) à partir des données transmises et par le service médical (analyse de l'ensemble du dossier et convocation éventuelle) 3- Calcul des qualités métrologiques de l'outil. 
Résultats. Ont été sélectionnés 2030 patients ; parmi eux 25 patients ont obtenu à l'aide de 114 ordonnances, 553 délivrances dans 288 pharmacies en un an. La spécificité de notre outil est de 99,5 % et sa sensibilité de 69,4 %. 
Conclusion. La création de cet outil automatisable et utilisable à grande échelle apporte un nouvel éclairage dans l'évaluation, en permettant une détection a posteriori de la fraude.

Abstract


Goal. Make it possible to spot falsified prescriptions which were delivered and reimbursed. 
Method. 1- Use health insurance administration data bases to single patients liable to suspicion of fraud (repeated presentations of the same prescription to several pharmacies the same day) 2- Attribution of a diagnosis of fraud, by the CEIP (Center of Evaluation and Information about Pharmacodependence) based on transferred data, and by the medical department analysis of the complete file, and convocation when applicable 3- Calculation of quantitative performance of the tool. 
Results. We have singled 2030 patients. Among them 25 were able to get 553 deliveries out of 288 pharmacies from 114 prescriptions in one year. Our tool specificity is 99.5% and its sensitivity 69.4%.
Conclusion. Creating this tool which can become automatic and used on a large scale, brings a new light in the evaluation, by making hindsight fraud detection possible.