Selectiemodel BIG herregistratie

Het doel is om in de gerichte steekproef vooral de aanvragen te selecteren die een hoge kans hebben om niet te voldoen aan de wettelijke eisen. De aanvragers die waarschijnlijk wel voldoen, moeten juist zoveel mogelijk administratief ontlast worden. Daarmee wordt gepoogd zowel tegemoet te komen aan de wens van een effectieve bescherming van patiëntbelangen als het belang van beroepsbeoefenaren om de administratieve en financiële belasting voor hen beperkt te houden.

Het toekennen van een risicocategorie door het selectiemodel heeft als doel de administratieve lasten voor de zorgverleners te verlagen en meer te werken op basis van vertrouwen in plaats van wantrouwen. Om de administratieve lasten voor zorgverleners te verlagen, is het noodzakelijk dat zij in risicocategorieën worden geplaatst. Het verlagen van de administratieve lasten is lastig te realiseren op een andere manier.

Het selectiemodel bepaalt of een aanvraag wordt geselecteerd voor het moeten aanleveren van (objectief verifieerbare) bewijsstukken.

De inzet van het algoritme leidt niet tot volledig geautomatiseerde besluitvorming. Immers, de uiteindelijke inhoudelijke beoordeling van een aanvraag op basis van de aangeleverde bewijsstukken wordt door een medewerker gedaan.

1. Voorkomen van directe discriminatie – wanneer de dossiers door het algoritme worden beoordeeld, worden er géén gevoelige dossierkenmerken (zoals geslacht, leeftijd of het hebben van een buitenlandse nationaliteit) gedeeld waarop het algoritme direct onderscheid zou kunnen maken. Omdat dit niet als dossierkenmerk wordt meegegeven, kán het algoritme hier ook niet op selecteren. Bovendien zijn deze kenmerken ook niet als relevante criteria in de beslisbomen opgenomen. Dit om directe discriminatie op deze kenmerken te voorkomen; 
2. Voorkomen van indirecte discriminatie – hoewel de beslisboom dus niet direct kan selecteren op gevoelige dossierkenmerken, zou het in theorie mogelijk zijn dat een bepaald – ogenschijnlijk onschuldig – kenmerk in de boom wordt opgenomen, dat als praktische uitwerking heeft dat bepaalde groepen zorgverleners wél vaker een hoge risicoscore krijgen. Dit is verboden wanneer daar geen rechtvaardiging voor bestaat. Bij de ontwikkeling van het algoritme is hierover nagedacht en is ervoor gekozen om op het dashboard bij de gegenereerde beslisbomen en de huidige beslisboom ‘bias-grafieken’ te tonen, waarop inzichtelijk wordt gemaakt of als gevolg van een beslisboom bepaalde groepen zorgverleners relatief vaker worden geselecteerd dan andere groepen zorgverleners. Dit wordt inzichtelijk gemaakt voor de volgende kenmerken: leeftijd, geslacht en het al dan niet hebben van een buitenlandse nationaliteit. Op grond van deze biasgrafieken kan gekozen worden voor een boom met een zo laag mogelijke bias of voor een boom waarbij de indirecte bias objectief te rechtvaardigen is;
3. Daarnaast moet worden voorkomen dat het algoritme zelfbevestigend gaat werken. Daarom vindt naast de gerichte steekproef, ook een willekeurige steekproef plaats. De besluiten die vervolgens worden genomen, worden gebruikt om nieuwe beslisbomen te genereren;
4. Het is voor de medewerkers die de bewijsstukken beoordelen niet inzichtelijk of de betreffende aanvraag in de willekeurige of gerichte selectie is gevallen. Dit om te voorkomen dat zij onbewust worden beïnvloed door deze informatie;
5. Ten aanzien van de uitlegbaarheid wordt het volgende opgemerkt: in de beslisbomen worden duidelijk de verschillende drempelwaarden weergegeven. Deze drempelwaarden zijn duidelijk, concreet en ook uitlegbaar in de toepassing op een concreet geval;
6. Tot slot wordt opgemerkt dat een DPIA is opgesteld; deze is voor advies voorgelegd aan de FG en vervolgens geaccordeerd.

Het algoritme dat gebruikt wordt bij de gerichte selectie is een type "decision tree classifier". Het kan worden gezien als een gestructureerde methode om aan te geven welke aanvragen waarschijnlijk een hoger risico lopen om niet te voldoen aan de wettelijke eisen voor herregistratie. Elk knooppunt in deze boom vertegenwoordigt een specifieke vraag over de aanvraag, bijvoorbeeld het totaal aantal gewerkte uren in de afgelopen vijf jaar. Op basis van de antwoorden op deze vragen leidt de boom de beslissing over verschillende takken totdat uiteindelijk een conclusie wordt bereikt: ofwel "selecteren" of "niet selecteren". Bij het trainen leert het algoritme om bij elke stap de meest informatieve vragen te stellen op basis van de beschikbare gegevens om zo de aanvragen in kleinere en homogenere groepen te kunnen verdelen.

 

Het algoritme biedt een keuze uit 16 verschillende bomen. Er kan uit vier verschillende niveaus qua diepte van de boom geselecteerd worden (3, 4, 5 of 6) en vervolgens wordt het minimumformaat van de groep bepaald (100, 200, 300 of 400). De diepte verwijst naar het maximale aantal splitsingslagen of beslissingsstappen die de boom kan hebben tussen de wortel (het startpunt) en de bladeren (het eindpunt). Het minimumformaat van een groep verwijst naar het minimale aantal aanvragen voor BIG-herregistratie dat aanwezig moet zijn op een eindblad van de beslisboom.

Het algoritme berekent de kans dat een aanvraag bij een bepaalde categorie hoort, waardoor we aanvragen als "medium risico" of "hoog risico" kunnen classificeren. Alleen “hoog risico” aanvragen worden in de gerichte steekproef geselecteerd voor controle. Deze keus is gemaakt om de zorgverleners zoveel mogelijk administratief te ontlasten (‘laag- of medium risico-aanvragen’ kunnen wel in de willekeurige steekproef vallen).