Zorgfraude effectief bestrijden? Start met datagedreven toezicht houden

In april 2022 publiceerde de Algemene Rekenkamer een rapport met een ongekend harde conclusie[1]: de gezamenlijke aanpak tegen frauderende zorgaanbieders is nauwelijks effectief. Recentelijk heeft een rapport door de Inspectie Gezondheidzorg en Jeugd (IGJ) de kritieke noot nogmaals bevestigd in een onderzoek naar het gemeentelijk Wmo-toezicht.[2]

Ondanks dat de afgelopen jaren tijd en moeite geïnvesteerd zijn in het verbeteren van de opsporing, is de pakkans van zorgfraudeurs nog steeds erg laag. Hierdoor blijft ook vervolging uit en blijven gemeenten en kwetsbare burgers slachtoffer worden. In 2013 werd de Taskforce Integriteit Zorgsector opgericht (TIZ). Een samenwerkingsverband bestaande uit verschillende organisaties (o.a. VWS, FIOD, Nza en CIZ) met elk eigen taken en bevoegdheden om gezamenlijk te streven naar een sterke aanpak van zorgfraude. De samenwerkende organisaties staan allemaal voor de keuze tussen de inzet van voldoende middelen en het efficiënt bereiken van het beoogde doel: zorgfraude bestrijden en het liefst voorkomen.

Een andere, wél effectieve aanpak is dus noodzakelijk. Organisaties werken efficiënter en effectiever als ze datagedreven werken. Ook het toezichtproces rondom het opsporen van zorgfraude kun je datagedreven inrichten. In dit artikel leggen we je uit hoe je dit kunt doen. Allereerst bekijken we wat zorgfraude precies is en hoe de aanpak van zorgfraude zich sinds de decentralisatie heeft ontwikkeld. Hoe ontwikkeld de aanpak van je organisatie is, zegt ook iets over de datavolwassenheid van je organisatie. Daarom gaan we ook daar dieper op in. Vervolgens bespreken we de inrichting van je werkproces. Daarbij beantwoorden we een aantal cruciale vragen:

Waar begin je?
Welke signalen zijn belangrijk?
Hoe worden deze signalen onderdeel van het vaste werkproces

Ten slotte geven we je handige tips en tricks die je helpen signalen overzichtelijk weer te geven, te beoordelen en te verrijken met belangrijke informatie en context.

Wat is zorgfraude precies?

De Algemene Rekenkamer hanteert in haar rapport de volgende definitie van zorgfraude: “Het opzettelijk en structureel onjuist handelen, in strijd met de regels die gelden voor de zorg, met het oog op eigen of andermans financieel gewin”.¹ Een onjuiste declaratie wordt gemarkeerd als zorgfraude als aan drie criteria wordt voldaan:

Regelovertreding (een contractuele regel wordt overtreden)
Een wederrechtelijk voordeel (indien voordeel is behaald door een strafbaar feit)
Bewust handelen (de zorgaanbieder is zich bewust van het overtreden van contractuele regels)

In dit artikel gaan we bovenal in op zorgfraude met een financieel gewin op aanbiederniveau. Samenvattend gaat het dan om zorgaanbieders die doelbewust de (contractuele) regels van gemeenten en regio’s overtreden om een financieel voordeel te halen uit de te leveren zorg. Dit kan dan zowel resulteren in financiële fraude als fraude op het gebied van een ondermaatse kwaliteit van zorg.

Waarom plegen zorgaanbieders fraude?

Nu toezichthoudende instanties het probleem van zorgfraude en de omvang ervan steeds beter in kaart krijgen, wordt ook duidelijk hoeveel er bij de opsporing en aanpak nog te winnen valt. Voor gemeenten wordt ook steeds duidelijker dat zij niet alleen kwalitatief goede zorg moeten faciliteren, maar dat zij ook een opdracht hebben in het beheersen van zorgfraude. Het voorkomen en bestrijden van zorgfraude moet worden ingebed in het ambtelijk handelen. Hiervoor is op dit moment bij veel gemeenten nog ruimte voor verbetering. Het plegen van zorgfraude is namelijk relatief eenvoudig en erg lucratief. Door de vele gecontracteerde aanbieders en talloze declaraties is het voor de financiële afdeling bijna onmogelijk om elke declaratie te controleren. Daarnaast is er door gebrek aan medewerkers en een stijgende vraag naar zorg sprake van een toenemende werkdruk. Een kleine afwijking in een declaratie wordt nauwelijks opgemerkt. Structureel kan dit zorgen voor hoge extra opbrengst voor de fraudeur.

Fraude plegen is voor zorgaanbieders relatief eenvoudig, terwijl het aan de andere kant, voor gemeenten, juist heel moeilijk is om aan te tonen. En als het al wordt aangetoond, zijn de gevolgen voor de frauderende partij vaak te overzien. Plat gezegd, komen ze er redelijk goed mee weg. Voor gemeenten heeft het wegvallen van een aanbieder, ook al fraudeerde deze, vaak ernstiger gevolgen. De continuïteit van zorg komt immers in gevaar, omdat de mensen die zorg ontvingen van deze aanbieder, deze zorg nu van een andere aanbieder zullen moeten krijgen. En in een krappe zorgmarkt, is het vinden van een partij die deze zorg kan leveren bijzonder lastig. Bovendien brengt het schade toe aan het imago van de gemeente. Toch kan het wel degelijk lonen om een zorgfraudeur terecht te stellen: de gemeente Almelo heeft recentelijk na een lange procedure een succesvolle rechtszaak gevoerd tegen een frauderende aanbieder.[3] De gemeente ontdekte dat de aanbieder niet beschikte over medewerkers met de geëiste kwalificaties, dat de instantie zorg declareerde zonder deze daadwerkelijk te leveren en dat deze door afspraken met cliënten hoge winsten behaalde. De bestuurders van de organisatie zijn persoonlijk aansprakelijk gesteld, waardoor de gevolgen voor hen, zowel zakelijk als professioneel, hevig zijn.

Ontwikkeling van de zorgfraudeaanpak en datavolwassenheid

Dat het opsporen en aanpakken van zorgfraude steeds meer prioriteit krijgt, zien we ook terug in de ontwikkeling die gemeenten doormaken op dit vlak sinds de decentralisatie van het Sociaal Domein in 2015. De VNG heeft op basis van eigen onderzoek een onderscheid gemaakt in drie ontwikkelingsfasen die gemeenten doorlopen[4]: de hectische fase, de pioniersfase en de bewustwordingsfase. In elke fase kan een gemeente bepalen welke vervolgstappen nodig zijn om door te groeien naar een volgende fase en daarmee dus ook wat er voor nodig is om de aanpak van zorgfraude naar een hoger niveau te tillen.

Niet elke gemeente bevindt zich in dezelfde fase. Gemeenten verschillen nogal in hoe actief ze zorgfraude aan (kunnen) pakken, zo blijkt uit het eerdergenoemde onderzoek van de VNG. Een belangrijke graadmeter die laat zien welke datamogelijkheden een organisatie heeft en gebruikt, is datavolwassenheid, ook wel data maturity genoemd. Het is belangrijk dat je weet hoe datavolwassen je organisatie is, voordat je (vervolg)stappen zet in je datagedreven aanpak van zorgfraude. Sommige maatregelen vereisen namelijk een bepaalde data- of veiligheidstandaard om goed te functioneren. Met een Nulmeting Datavolwassenheid breng je in kaart op welk volwassenheidsniveau je organisatie zich nu bevindt. Kies je ervoor om een Nulmeting Datavolwassenheid door Van Dam Datapartners te laten uitvoeren, dan helpen we je ook bij het formuleren van jouw datadoelstellingen en -ambities en stellen we samen een roadmap op waarmee je stapsgewijs naar een volgend datavolwassenheidsniveau kunt doorgroeien.

Het datavolwassenheidsniveau vertoont overlap met de ontwikkelingsfasen zoals de VNG die heeft opgesteld voor het opsporen en aanpakken van zorgfraude. Een laag datavolwassenheidsniveau correspondeert bijvoorbeeld met een organisatie die zich in de eerste ontwikkelingsfase, de hectische fase bevindt:

Hectische fase

Organisaties die zich bevinden in de hectische fase zijn vooral bezig met het inrichten van juridische kaders. Ze hebben regelmatig data tot hun beschikking, maar hebben deze data nog niet efficiënt ingericht of bewust weten te gebruiken. Organisaties in deze fase concentreren zich op het inzichtelijk maken van wat er is gebeurd met behulp van data. Waar het zorgfraude betreft, kunnen deze organisaties vaak alleen (achteraf) zien met welke zorgaanbieders ze werken en welke declaraties deze indienen.

Is het volwassenheidsniveau van jouw organisatie al wat hoger, dan bevind je je waarschijnlijk in de tweede ontwikkelingsfase, de pioniersfase:

Pioniersfase

Organisaties die zich bevinden in de pioniersfase hebben met behulp van data al beter in kaart gebracht welke vormen van zorgfraude bestaan. Ze hebben geleerd om data zo te gebruiken dat ze achteraf kunnen achterhalen hoe zorgfraude heeft plaatsgevonden. Het uitvoeren van analyses op de beschikbare data helpt hen de oorzaken van zorgfraude en zwakten in het inkoopkader aan het licht te brengen.

Een nog hoger volwassenheidsniveau, plaatst organisaties in de bewustwordingsfase:

Bewustwordingsfase

Organisaties die zich bevinden in de bewustwordingsfase hebben in beeld wat zorgfraude is, welke vormen van zorgfraude bestaan en hoe zorgfraude wordt gepleegd. Door zorgfraude-indicatoren op te stellen en deze geprioriteerd in een overzicht weer te geven verkrijgen ze inzicht in waar zorgfraude (mogelijk) plaatsvindt.

De VNG beschrijft in haar artikel drie fasen, maar het datavolwassenheidsmodel gaat nog een aantal stappen verder en beschrijft ook een niveau waarin zorgfraude opsporen nog voordat dit plaatsvindt mogelijk wordt:

Prescriptieve fase

Bevindt een organisatie zich in de prescriptieve fase, dan kan men met behulp van data voorspellen wat er in de toekomst gaat of kan gaan gebeuren. Om deze fase te bereiken is een datavolwassenheidsniveau nodig waarbij risico’s realistisch kunnen worden berekend, zodat de organisatie voorafgaand aan een gebeurtenis een gecalculeerde verwachting heeft van waar zorgfraude plaatsvindt. In deze fase kunnen gevolgen van beslissingen in een aanbesteding of beleidsaanpassing worden voorspeld.

Direct aan de slag!

Fraude signaleren met behulp van data

Nu we weten dat preventie en bestrijding van zorgfraude inbedden in de organisatiecultuur belangrijk is, is het tijd om hiermee zelf aan de slag te gaan. Wij helpen je graag op weg.

Stap 1: bepaal waar je staat

De mate waarin je data kunt gebruiken om zorgfraude op te sporen, is afhankelijk van de ontwikkelingsfase waarin jouw organisatie zich bevindt. Bevind je je in de hectische fase dan is het vooral belangrijk om structuur aan te brengen in de dataverzameling en de kwaliteit van data. Let er hierbij op dat je data op een gestructureerde wijze verzamelt, vergelijkt, deelt en controleert. Je zult keuzes moeten maken tussen verschillende soorten databronnen en dataoverzichten. Hierdoor kun je stap voor stap vooruit in je datavolwassenheid.

In de Pioniersfase heb je je data op orde en kun je focus aanbrengen. Bepaalde indicatoren, zoals de uitnutting van middelen en gemiddelden kun je monitoren. Hierdoor kun je verschillen tussen zorgaanbieders analyseren.

Stap 2: analyseren

Als je de eerste twee fasen doorlopen hebt en je data op orde en overzichtelijk zijn, kun je doorgroeien. Zo kun je kijken naar bestaande terugkerende processen binnen de huidige werkzaamheden door gebruik te maken van databronnen. Om draagvlak voor de benodigde werkzaamheden te krijgen, zoals controle en monitoring, is het belangrijk om de processen in te bouwen in reguliere bezigheden. Zo voeren gemeenten in het kader van de ‘verantwoording Sociaal Domein’ vaak analyses uit op hun totaalbestanden (totale declaraties, indicaties, tariefcontroles, etc.). In een eerder gepubliceerd artikel: ‘Zorgfraude? Onderzoek de risicofactoren’[5] hebben we verschillende andere voorbeelden van data benoemd die gebruikt kunnen worden om zorgfraude op te sporen.

In de bewustwordingsfase kan je organisatie doorontwikkelen door gebruik te gaan maken van specifieke vormen van dataverrijking. Er worden dan data verzameld die elkaar aanvullen en zo bijdragen aan dossiervorming. Het is de kunst om deze dataverrijking niet alleen toe te passen in het kader van verantwoording, maar periodiek over het jaar heen. Zo verschuift het inzicht van één moment in het jaar naar een structureel terugkerend inzicht wat tot meer bewustwording en scherpte leidt. Hieronder een aantal voorbeelden:

Cliëntervaringsonderzoek (CEO) Wmo
Gemeenten zijn verplicht om jaarlijks een CEO uit te voeren onder Wmo-cliënten. Buiten de verplichte verantwoording bevat dit onderzoek ontzettend veel informatie die bij grondige analyse al eerste signalen afgeven die aanleiding kunnen zijn voor vervolgonderzoek.
Bandbreedte-analyse
Per voorzieningsgroep (Huishoudelijke hulp Wmo, Ambulante jeugdhulp JW, etc.) wordt het gemiddelde uitnuttingspercentage over een gegeven periode berekend. Vervolgens kijk je per gecontracteerde aanbieder naar grote afwijkingen die wellicht aanleiding geven tot een vervolgonderzoek.
Analyse op specifieke voorzieningsgroepen
Als organisatie wil je scherp hebben welke afspraken je met aanbieders hebt gemaakt over de te leveren zorg. Zo kan bij dagbesteding worden afgesproken dat declaraties in dagdelen worden gedaan, of dat er alleen gedeclareerd mag worden op de tijden dat de cliënt ook daadwerkelijk aanwezig is op de dagbestedingslocatie. Een analyse op dit niveau geeft weer welke organisaties afwijken van de gemaakte afspraken.
Analyse op patronen in declaraties
Niet alleen grote verschillen in declaraties kunnen opvallen. Soms zijn patronen zo vast dat ook dit vragen kan oproepen. Bijvoorbeeld als een zorgaanbieder structureel voor al haar cliënten 52 weken lang hetzelfde aantal uren declareert. Gaat er nooit iemand op vakantie, of is er nooit iemand ziek? Daarnaast worden beschikkingen in de meeste gevallen niet 100% benut. Een aanbieder die altijd 100% van de beschikking declareert kan indicatief zijn voor een frauderende aanbieder.

Stap 3: overzicht en duiding

Naast het uitvoeren van dit soort periodieke (of structurele) analyses is het belangrijk om een continu overzicht te hebben van gegevens uit het zorglandschap. Deze geef je het meest effectief en efficiënt weer in een dashboard. Hierin toon je bijvoorbeeld het realisatiepercentage van een aanbieder en het aantal cliënten. Ook kan de berekening naar het gemiddelde automatisch worden geïmplementeerd. Aanvullend kunnen de uitkomsten van andere formules die helpen bij risico-inschatting, zoals die voor het berekenen van de solvabiliteit en liquiditeit, geautomatiseerd worden berekend. Vervolgens kunnen de verschillende uitkomsten bij elkaar worden gebracht en worden beoordeeld om zo te bepalen of een zorgaanbieder (b)lijkt te frauderen of niet. Een dashboard kan je dus helpen om datagedreven toezicht houden efficiënt en effectief in te richten. Van Dam Datapartners heeft recentelijk een zorgaanbiedermonitor ontwikkeld. Dit dashboard geeft een overzicht van de risicofactoren in het berichtenverkeer, de jaarrekening en het netwerk van de bestuurders.[6] Door het benadrukken van overschreden risicowaarden kunnen toezicht en controle efficiënter en effectiever worden uitgevoerd. Interesse in een demo? Neem contact met ons op!

Hoe nu verder?

Om het opsporen van zorgfraude op een hoogwaardige manier datagedreven in te richten, is het dus belangrijk dat je bepaalde analyses structureel terug laat komen in je proces. Vanzelfsprekend moet de datakwaliteit op orde zijn, zodat jouw indicatoren de correcte en actuele data gebruiken. Het is van groot belang om altijd scherp te zijn op afwijkingen in je data. Dit vraagt om een benadering van data met een actieve houding. Wellicht dat je bijvoorbeeld op basis van afwijkingen in een gemiddelde namelijk een vervolgonderzoek zou willen laten uitvoeren.

Opvallendheden zijn duiden niet altijd op een bewuste overtreding. Het is dan ook belangrijk om niet meteen argwanend te zijn richting een zorgaanbieder als er afwijkingen geconstateerd worden. Toets de uitkomsten van analyses en modellen altijd bij de aanbieder en zorg ervoor dat je een objectief dossier opbouwt. Van Dam Datapartners heeft de kennis en expertise in huis om je hierbij te helpen. Zowel op het gebied van zorgfraudeopsporing als bij het ontwikkelen van dashboards, dossieropbouw en het implementeren van datagedreven werken.

Wil je meer weten over onze aanpak van zorgfraude? Neem dan contact op met onze adviseur Remco van Dijke (remco.vandijke@vandamdatapartners.nl)

[1] Algemene Rekenkamer, “Een zorgelijk gebrek aan daadkracht”, april 2022 via: Een zorgelijk gebrek aan daadkracht | Rapport | Algemene Rekenkamer.

[2] IGJ Rapport aan de minister over de uitvoering van het Wmo-toezicht door de gemeenten in 2021, december 2022 via: Kwaliteit Wmo-toezicht blijft laag | Nieuwsbericht | Inspectie Gezondheidszorg en Jeugd (igj.nl).

[3] Bugter. Zorgcowboys persoonlijk aansprakelijk stellen: veel werk, maar het kan. Zorg & Sociaalweb. Juli 2022 via Zorgcowboys persoonlijk aansprakelijk stellen: veel werk, maar het kan – Zorg&Sociaalweb

[4] VNG (2020). “Een wereld te winnen. Over zorgfraude (Wmo 2015 en Jeugdwet). 200630-onderzoek-zorgfraude-publieksversie.pdf (vng.nl)

[5] Van Dam Datapartners (2022). Zorgfraude? Onderzoek de risicofactoren. Zorgfraude? Onderzoek de risicofactoren (binnenlandsbestuur.nl)

[6] Van Dam Datapartners. Zorgaanbiedersmonitor. Januari 2023 via Zorgaanbiedersmonitor – Van Dam Datapartners