Medicaid & Predictive Analytics 

Thomas J. Kessler, Esq. Acting Director, Division of Fraud 

Research and Detection, Data Analytics and Control Group, Center for Program 

Integrity, Centers for Medicare  and Medicaid Services 

 September 11, 2013 

Discussion Items 

Data Analytics and Control Group 

Medicaid and Predictive Analytics 

Medicare Experience with Predictive Analytics 

2 

Center for Program Integrity (CPI) Dr. Peter Budetti, Deputy Administrator and Director 

Ted Doolittle, Deputy Center Director for Policy Elisabeth Handley, Deputy Center Director for Operations 

MPIG  MIG  DPSG  DACG  PIEG  PEOG 

CMS Center for Program Integrity 

3 

Kelly Gent – Director Raymond Wedgeworth – Deputy Director 

Analytics Lab Division (ALD) Linda Smith, Acting Marin Gemmill‐

Toyama, Deputy Director 

Systems Management 

Division (SMD)                  Craig Mooney, Director Kathy Wolf, Deputy 

Director 

Command Center 

Division (CCD)    Brenda 

Emanuel, Director 

Division of Fraud Research & Detection 

(DFRD) Thomas Kessler, Acting 

Director 

Center for Program Integrity (CPI) Data Analy:cs and Control Group (DACG) 

4 

•  Use sophisticated analytics and technologies to support identification of improper payments and ineligible providers in Medicare and Medicaid. 

•  Support and manage information technology investments critical for program integrity activities. 

•  Manage the Command Center in support of the Center for Program Integrity’s mission. 

 

DACG Func:ons 

5 

DACG Organiza:on 

6 

Systems Management Division (SMD)

Analytics Lab Division (ALD)

Division of Fraud Research & Detection

(DFRD)

Command Center Division (CCD)

•  Provides statistical and data analysis for program integrity •  Identifies emerging fraud trends through data mining and

other advanced analytical techniques •  Leads model development for the Fraud Prevention System 

•  Manages system development and enhancements in support of information gathering and analysis to detect fraud and abuse.

•  Implements data management technologies and strategies to support sophisticated analysis to identify fraud and abuse.

•  Provides a collaborative environment for a multi-disciplinary team, including ZPICs and law enforcement, to develop consistent approaches for investigation and action.

•  Provides statistical and data analysis for program integrity activities related to the National Medicaid Audit Program.

•  Supports evaluation of predictive analytics across programs.

Discussion Items 

Data Analytics and Control Group 

Medicaid and Predictive Analytics 

Medicare Experience with Predictive Analytics 

 

7 

•  Many State Medicaid Programs are in various stages of applying sophisticated predictive analytics technologies in their program integrity efforts. 

•  In addition, the Small Business Jobs Act of 2010 (the Act), section 4241(e)(3) requires CMS undertake an analysis to determine the feasibility and cost effectiveness of applying predictive analytics in the Medicaid and CHIP programs.  

•  The results of the analysis will be included in the Report to Congress due March 31, 2015 

Medicaid Predic:ve Analy:cs 

8 

•  Challenges: –  State Resources and funding –  Competing priorities –  State staff necessary to support information technology –  Identifying the right technology –  Applying predictive analytics prepayment –  Measuring outcomes –  Federal role limited to assistance in light of claims data access 

•  Opportunity: –  Advanced technologies have the capability to identify fraud 

earlier and prevent improper payments 

Challenges and Opportuni:es 

•  CMS is providing technical assistance to States: –  General TA package: for States considering predictive analytics technologies 

–  Targeted TA: for States moving forward with tools –  Algorithm exchange: considering opportunities to share successful algorithms among States and CMS 

– Medicaid Integrity Institute training sessions  –  Command Center missions focused on algorithm development, investigation approaches, and outcome measurement 

Ac:vi:es 

Ac:vi:es 

•  CMS may approve enhanced Federal Financial Participation for certain allowable activities and resources for Predictive Analytics related to the MMIS, including: –  Planning, Requirements, IT Hardware/Equipment, Software, Staffing and Contractor Support, Required Reporting (CMS and State) 

–  Advanced Planning Document template is available thru the CMS Regional Office 

Ac:vi:es 

•  CMS will evaluate the feasibility of applying predictive analytics in Medicaid:  •  Focus groups with State Medicaid Agencies that are applying predictive analytics 

•  Evaluate outcomes of incorporating available post‐payment Medicaid data into the Fraud Prevention System to support Medi‐Medi activities 

•  Conduct environmental scans with States  

Discussion Items 

Overview of the Data Analytics and Control Group 

Medicaid and Predictive Analytics 

Medicare Experience with Predictive Analytics 

 

13 

•  The Small Business Jobs Act of 2010 mandates that CMS implement predictive modeling and other advanced analytic technologies to prevent potential fraud, waste, and abuse.   

•  CPI implemented this requirement through the launch of the FPS on June 30, 2011. 

•  The FPS applies effective predictive models and other advanced algorithms to identify providers exhibiting a pattern of behavior that is indicative of potential fraud, waste, and abuse.   

Fraud Preven:on System 

14 

•  The FPS system currently screens all national Medicare Part A, Part B, and DME claims during the adjudication process and consolidates alerts by provider.  

•  Monitors 4.5 million claims each day using a variety of analytic models. 

Fraud Preven:on System 

15 

•  The FPS presents the alert results in a prioritized list, provides detailed information (including claims lines, beneficiaries, associated providers and claims). –  Results are provided to the Zone Program Integrity Contractor analysts and investigators with views by regions. 

–  Results are available to CPI and law enforcement partners in a prioritized national view. 

Fraud Preven:on System 

16 

17 INFORMATION NOT RELEASABLE TO THE PUBLIC UNLESS AUTHORIZED BY LAW This information has not been publicly disclosed and may be privileged and con!dential. It is for internal government use only and must not be disseminated, distributed, or copied to persons not authorized to receive the information. Unauthorized disclosure may result in prosecution to the fullest extent of the law.

Claims  Processing 

Fraud Prevention System 

CPI Analytics Lab 

Integrated Data Repository 

IDR 

Rules Anomaly Detection Predictive Models Social Network Analysis 

National Fraud Prevention Program Claim  For Payment 

Zone Program Integrity 

Contractors 

NGD STARS One PI PECOS 

FID APS FPS 

Examples of “Models” in Credit Card Fraud 

18 

Rule  Charge for TV in FL – Cardholder lives in CA (Unlikely charge) 

 

Anomaly  

Charges for 3 TVs in one day  (99% of people buy less than 3 in a single day)   

Social Network 

Charge for a TV at an address known to have bad charges using a card with a phone number used by a known bad actor (relationship suggests a problem)   

Predictive Model 

Charges for multiple TVs out of state, after a $1.00 charge, on Wednesdays after midnight (Based on experience, these charges have a very high probability of being bad)   

Models Run Simultaneously           Risk Score 

19 

Rule  Anomaly  

Predictive Model 

Social Network 

Health Care Claims Trigger FPS 

Risk Score by a Provider’s 

Book of Business, Not Individual Claim 

Investigations Complaints Stolen IDs 

Information from Enrollment 

Fraud Preven:on System (FPS) Background 

20 

•  The Fraud Prevention System Report to Congress for the first implementation year was published in December 2012.

•  Prevented or identified $115.4 million in payments

•  Generated leads for 536 new investigations and augmented information for 511 pre-existing investigations