Hanademi

The real economics of health fraud detection

25 slides · 26 min · 1 minute ago language
ENES
theme
LightDark
view
DeckTableTalk
brand
HanademiPlatzi
The real economics of healthfraud detectionMade for Gary Mikel Astorga Agüero, by Hanademi
La verdadera economía dedetectar fraude sanitarioMade for Gary Mikel Astorga Agüero, by Hanademi
A 95% accurate detector can still drowninvestigators in false alarmsModeled outcomes among 100,000 claims with 1% fraud prevalence, 95% sensitivity and 95% specificity.Made for Gary Mikel Astorga Agüero, by HanademiSources: Saito, T., & Rehmsmeier, M. (2015). The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets.PLOS ONE, 10(3), e0118432; National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework, AI RMF 1.0.Illustrative calculation using the stated prevalence, sensitivity and specificity.Unitclaims4,950False alarms950True fraud alerts50Missed frauds
This is the economic trap. The model sounds excellent at 95% sensitivity and specificity, yet low fraud prevalence creates 4,950 false alarms against 950 true frauds. Detection capacity is useless without review capacity. The threshold must balance recovered value, review cost and disruption to legitimate care.
Sources
Un detector con 95% de precisión aún puede ahogar alos investigadores en falsas alarmasResultados modelados entre 100.000 reclamos con 1% de prevalencia, 95% de sensibilidad y 95% deespecificidad.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: Saito, T., & Rehmsmeier, M. (2015). The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanceddatasets. PLOS ONE, 10(3), e0118432; National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework, AI RMF 1.0.Cálculo ilustrativo con la prevalencia, sensibilidad y especificidad indicadas.Unidadreclamos4.950Falsas alarmas950Alertas de fraude real50Fraudes omitidos
Esta es la trampa económica. El modelo parece excelente con 95% de sensibilidad y especificidad, pero la baja prevalencia crea 4.950 falsas alarmas frente a 950 fraudes reales. La capacidad de detección no sirve sin capacidad de revisión. El umbral debe equilibrar valor recuperado, costo de revisión y afectación de atención legítima.
Fuentes
Three terms that change the business caseMade for Gary Mikel Astorga Agüero, by HanademiFalse positiveA legitimate claim incorrectly flagged as suspicious.Improper paymentA payment error that may involve fraud, paperwork or eligibility.F1 scoreA combined measure of how many alerts are correct and found.
Three definitions prevent most bad business cases. A false positive consumes review time without finding fraud. An improper payment is broader than criminal fraud. An F1 score summarizes model performance, but it does not tell us how much cash will be recovered.
Tres términos que cambian el caso denegocioMade for Gary Mikel Astorga Agüero, by HanademiFalso positivoUn reclamo legítimo señalado por error como sospechoso.Pago indebidoUn error de pago que puede incluir fraude, documentación o elegibilidad.Puntuación F1Una medida combinada de cuántas alertas son correctas y detectadas.
Tres definiciones evitan la mayoría de los malos casos de negocio. Un falso positivo consume tiempo sin encontrar fraude. Un pago indebido es más amplio que el fraude criminal. La puntuación F1 resume el rendimiento del modelo, pero no indica cuánto efectivo se recuperará.
A label is not a findingA screen displays the word "fraud" amid blurred numbers.Sources: CMS fraud war room stops $203M in debated Medicaid payments | TechTarget. techtarget.com.
Seeing fraud on a screen is only the start; investigators still need evidence before acting.
Una etiqueta no es un hallazgoUna pantalla muestra la palabra «fraud» entre números desenfocados.Fuentes: CMS fraud war room stops $203M in debated Medicaid payments | TechTarget. techtarget.com.
Ver fraude en una pantalla es solo el comienzo; los investigadores aún necesitan evidencia antes de actuar.
Peru's health payment base has grownenough for small leaks to matterCurrent health expenditure in Peru, 2000 to 2023, measured as GDP share and current US dollars perperson.Made for Gary Mikel Astorga Agüero, by HanademiSources: World Bank. (2024). Current health expenditure (% of GDP), Peru. World Development Indicators; World Bank.(n.d.). Current health expenditure per capita (current US$) [SH.XPD.CHEX.PC.CD]. World Bank Open Data.Unit% of GDP and US$ per personShare of GDP4.4%5.6%20002023Spending per person$83.6$445.520002023
Peru's health system moves far more money than it did two decades ago. Spending per person rose from about US$84 in 2000 to US$446 in 2023, while health spending remained 5.64% of GDP. That scale makes payment integrity financially relevant. It does not tell us what share is fraud.
Sources
La base de pagos sanitarios del Perú creció losuficiente para que pequeñas fugas importenGasto sanitario corriente del Perú, 2000 a 2023, medido como proporción del PBI y dólares corrientes porpersona.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: World Bank. (2024). Current health expenditure (% of GDP), Peru. World Development Indicators; World Bank.(n.d.). Current health expenditure per capita (current US$) [SH.XPD.CHEX.PC.CD]. World Bank Open Data.Unidad% del PBI y US$ por personaProporción del PBI4,4 %5,6 %20002023Gasto por persona$83,6$445,520002023
El sistema sanitario peruano mueve mucho más dinero que hace dos décadas. El gasto por persona subió de unos US$84 en 2000 a US$446 en 2023, mientras el gasto sanitario se mantuvo en 5,64% del PBI. Esa escala vuelve relevante la integridad de pagos. No indica qué proporción es fraude.
Fuentes
Payments support real careSIS and protected personnel accompany the movement of a stretcher.Sources: SIS 2026: Este es el nuevo tarifario de procedimientos médicos y sanitarios para la atención de los asegurados [Resolución Jefatural Nº 000024-2026-SIS/J] | IUS Latin. iuslatin.pe.
Leakage controls sit beside real care delivery, so savings cannot come at the expense of legitimate treatment.
Los pagos sostienen atención realPersonal del SIS y personal protegido acompañan el traslado de una camilla.Fuentes: SIS 2026: Este es el nuevo tarifario de procedimientos médicos y sanitarios para la atención de los asegurados [Resolución Jefatural Nº 000024-2026-SIS/J] | IUS Latin. iuslatin.pe.
Los controles de filtraciones acompañan la atención real, por lo que el ahorro no puede perjudicar tratamientos legítimos.
S/1 billion in suspicious payments mayyield only S/250 millionIllustrative realized savings from S/1 billion identified as suspicious at four realization rates.Made for Gary Mikel Astorga Agüero, by HanademiSources: U.S. Government Accountability Office. (2018). Medicare and Medicaid: CMS needs to fully align its antifraud efforts with theFraud Risk Framework. GAO-18-88; 25 percent of 1 billion = 250000000 - Calculator.Each value equals S/1 billion multiplied by the stated realization rate.UnitS/ millions10%10025%25050%50075%750
The biggest mistake is counting every suspicious sol as saved. If investigators identify S/1 billion but realize only 25%, the financial result is S/250 million. Liability, appeals and collection separate a promising alert from cash. The business case must model that conversion explicitly.
Sources
S/1.000 millones en pagos sospechosospueden rendir solo S/250 millonesAhorro realizado ilustrativo sobre S/1.000 millones identificados como sospechosos con cuatro tasas derealización.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: U.S. Government Accountability Office. (2018). Medicare and Medicaid: CMS needs to fully align its antifraud efforts with theFraud Risk Framework. GAO-18-88; 25 percent of 1 billion = 250000000 - Calculator.Cada valor equivale a S/1.000 millones multiplicados por la tasa de realización indicada.Unidadmillones de S/10%10025%25050%50075%750
El mayor error es contar cada sol sospechoso como ahorrado. Si los investigadores identifican S/1.000 millones pero realizan solo 25%, el resultado financiero es S/250 millones. La responsabilidad, las apelaciones y la cobranza separan una alerta prometedora del efectivo. El caso de negocio debe modelar esa conversión.
Fuentes
A global fraud benchmark creates a S/4billion question, not an answerHypothetical gross exposure in a S/40 billion payment pool at selected leakage rates; no rate is establishedfor Peru.Made for Gary Mikel Astorga Agüero, by HanademiSources: National Health Care Anti-Fraud Association. (n.d.). The challenge of health care fraud; U.S. Government Accountability Office. (2015). A framework for managingfraud risks in federal programs. GAO-15-593SP; Centers for Medicare & Medicaid Services. (2023). 2023 estimated improper payment rates for CMS programs.Arithmetic scenarios apply each rate to a hypothetical S/40 billion payment pool.UnitS/ millions01,0002,0003,0004,0004001%1,2003%2,0005%4,00010%3% scenario: S/1.2B
The range is large enough to demand attention. At 3%, a S/40 billion pool implies S/1.2 billion of gross exposure; at 10%, it implies S/4 billion. But published rates can mix proven fraud, suspected fraud, waste and administrative error. Peru needs a representative local audit before treating any scenario as a forecast.
Sources
Un referente mundial de fraude crea una pregunta deS/4.000 millones, no una respuestaExposición bruta hipotética en una base de pagos de S/40 mil millones con tasas seleccionadas; ninguna tasaestá establecida para el Perú.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: National Health Care Anti-Fraud Association. (n.d.). The challenge of health care fraud; U.S. Government Accountability Office. (2015). A framework for managing fraudrisks in federal programs. GAO-15-593SP; Centers for Medicare & Medicaid Services. (2023). 2023 estimated improper payment rates for CMS programs.Los escenarios aritméticos aplican cada tasa a una base hipotética de pagos de S/40 mil millones.Unidadmillones de S/01.0002.0003.0004.0004001%1.2003%2.0005%4.00010%Escenario de 3%: S/1.200M
El rango es suficientemente grande para exigir atención. Con 3%, una base de S/40 mil millones implica S/1.200 millones de exposición bruta; con 10%, implica S/4.000 millones. Pero las tasas publicadas pueden mezclar fraude probado, fraude sospechado, desperdicio y error administrativo. El Perú necesita una auditoría local representativa antes de tratar cualquier escenario como pronóstico.
Fuentes
Medicaid's 2023 payment-error rate was1.16x Medicare'sReported US improper-payment rates by program; these rates include nonfraud errors and do not predictPeru.Made for Gary Mikel Astorga Agüero, by HanademiSources: Centers for Medicare & Medicaid Services. (2023). 2023 estimated improper payment rates for Centers for Medicare & Medicaid Services programs; Centers for Medicare & Medicaid Services.(2023). 2023 Medicare fee-for-service supplemental improper payment data; Centers for Medicare & Medicaid Services. (2023). 2023 estimated improper payment rates for CMS programs.Hanademi analysis: 2018 to 21.69% in 2021's figure divided by 2016 to 6.26% in 2021's, from the two cited sources.UnitpercentMedicare fee-for-service11%7.4%20162023Medicaid9.8%8.6%20182023
Payment leakage is measurable, but it is not stable across programs or years. Medicaid rose above 21% before falling to 8.58%, while Medicare measured 7.38% in 2023. Hanademi calculates that Medicaid's latest rate was 1.16x Medicare's. CMS explicitly warns that these are payment-error rates, not fraud rates.
Sources
La tasa de errores de Medicaid en 2023 fue1,16 veces la de MedicareTasas reportadas de pagos indebidos por programa estadounidense; incluyen errores no fraudulentos y nopredicen al Perú.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: Centers for Medicare & Medicaid Services. (2023). 2023 estimated improper payment rates for Centers for Medicare & Medicaid Services programs; Centers for Medicare & MedicaidServices. (2023). 2023 Medicare fee-for-service supplemental improper payment data; Centers for Medicare & Medicaid Services. (2023). 2023 estimated improper payment rates for CMS…Análisis de Hanademi: La cifra de 2018 to 21,69% in 2021 dividida por la de 2016 to 6,26% in 2021, a partir de las dos fuentes citadas.UnidadporcentajeMedicare tradicional11 %7,4 %20162023Medicaid9,8 %8,6 %20182023
Las fugas de pagos son medibles, pero no son estables entre programas ni años. Medicaid superó 21% antes de caer a 8,58%, mientras Medicare midió 7,38% en 2023. Hanademi calcula que la última tasa de Medicaid fue 1,16 veces la de Medicare. CMS advierte expresamente que son tasas de errores de pago, no tasas de fraude.
Fuentes
SNAP's payment-error ratereached 10.62%, above the 6%congressional threshold.This non-health example demonstrates threshold-based payment-integrity management,not Peru's fraud prevalence.Sources: usda.gov.
Payment integrity becomes actionable when a program has a defined measure and threshold. SNAP reported 10.62% for fiscal 2025, above the 6% congressional line. The benchmark makes performance visible. It still measures payment error, not criminal intent.
Sources
La tasa de errores de SNAP llegó a 10,62%,sobre el umbral congresional de 6%.Este ejemplo no sanitario demuestra gestión de integridad con umbrales, no laprevalencia de fraude en el Perú.Fuentes: usda.gov.
La integridad de pagos se vuelve accionable cuando un programa tiene una medida y un umbral definidos. SNAP reportó 10,62% para el año fiscal 2025, por encima de la línea congresional de 6%. El referente hace visible el desempeño. Aun así, mide errores de pago, no intención criminal.
Fuentes
US federal improper-payment estimatessince 2003 total about US$3 trillion.The cumulative estimate covers improper payments broadly and should not be interpretedas proven fraud or recovered cash.Sources: gao.gov.
Small rates become enormous when they persist across large programs. GAO places cumulative federal improper-payment estimates since fiscal 2003 at about US$3 trillion. That figure is not a fraud estimate. It shows why disciplined measurement and prevention deserve sustained attention.
Sources
Las estimaciones federalesestadounidenses de pagos indebidos desde2003 suman unos US$3 billones.La estimación acumulada cubre pagos indebidos en sentido amplio y no debeinterpretarse como fraude probado ni efectivo recuperado.Fuentes: gao.gov.
Las tasas pequeñas se vuelven enormes cuando persisten en programas grandes. La GAO sitúa las estimaciones federales acumuladas de pagos indebidos desde el año fiscal 2003 en unos US$3 billones. Esa cifra no es una estimación de fraude. Muestra por qué la medición y prevención disciplinadas merecen atención sostenida.
Fuentes
Published fraud analytics evidencenarrowed from 1,174 records to 31 studiesPublications retrieved and studies included in a 2015 systematic review of health-care fraud data mining.Made for Gary Mikel Astorga Agüero, by HanademiSources: Joudaki, H., et al. (2015). Using data mining to detect health care fraud and abuse: A review of literature. Global Journal ofHealth Science, 7(1), 194-202; nascio.org.; National Institute of Standards and Technology. (2023). Artificial Intelligence RiskManagement Framework, AI RMF 1.0.UnitpublicationsRecords retrieved · 1,174Studies included · 31
The research base is thinner than the hype suggests. A systematic review retrieved 1,174 publications but included only 31 studies. Historical labels can also arrive late, miss new schemes and reproduce past enforcement choices. Ohio's public-sector tool reflects the safer operating model: machine learning with human oversight.
Sources
La evidencia publicada sobre analítica antifraude seredujo de 1.174 registros a 31 estudiosPublicaciones recuperadas y estudios incluidos en una revisión sistemática de 2015 sobre minería de datospara fraude sanitario.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: Joudaki, H., et al. (2015). Using data mining to detect health care fraud and abuse: A review of literature. Global Journal ofHealth Science, 7(1), 194-202; nascio.org.; National Institute of Standards and Technology. (2023). Artificial Intelligence RiskManagement Framework, AI RMF 1.0.UnidadpublicacionesRegistros recuperados · 1.174Estudios incluidos · 31
La base de investigación es más limitada de lo que sugiere la expectativa. Una revisión recuperó 1.174 publicaciones pero incluyó solo 31 estudios. Las etiquetas históricas también pueden llegar tarde, omitir esquemas nuevos y reproducir decisiones anteriores. La herramienta pública de Ohio refleja el modelo más seguro: aprendizaje automático con supervisión humana.
Fuentes
In one cybersecurity case, raising thethreshold first helped and then hurtApproximate F1 score at three confidence thresholds, transcribed from a 2026 cybersecurity figure; this isnot health-insurance validation.Made for Gary Mikel Astorga Agüero, by HanademiSources: Frontiers | Beyond performance metrics: evaluating the unique value of generative AI in hybrid cybersecurity threat detection.(2026). Published figure transcribed from pixels.Values were estimated from published figure pixels with precision limited to about 0.01.UnitF1 score0.50.90.81.00.950.9
Model thresholds are economic decisions, not just technical settings. In this cybersecurity case, F1 rose from about 0.89 to 0.96 and then fell to 0.92. That shape shows why performance must be tested across thresholds. It does not validate a health-insurance fraud model or its savings.
Sources
En un caso de ciberseguridad, elevar elumbral primero ayudó y luego perjudicóPuntuación F1 aproximada con tres umbrales de confianza, transcrita de una figura de ciberseguridad de2026; no valida seguros de salud.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: Frontiers | Beyond performance metrics: evaluating the unique value of generative AI in hybrid cybersecurity threat detection.(2026). Published figure transcribed from pixels.Los valores se estimaron desde píxeles de una figura publicada, con precisión limitada a cerca de 0,01.Unidadpuntuación F10.50,90.81,00.950,9
Los umbrales son decisiones económicas, no solo ajustes técnicos. En este caso de ciberseguridad, F1 subió de cerca de 0,89 a 0,96 y luego cayó a 0,92. Esa forma muestra por qué el rendimiento debe probarse con varios umbrales. No valida un modelo de fraude en seguros de salud ni sus ahorros.
Fuentes
Billing at 3x the peer median is a lead, notproofIllustrative procedures for one provider versus a peer median; legitimate differences require riskadjustment.Made for Gary Mikel Astorga Agüero, by HanademiSources: Centers for Medicare & Medicaid Services. (2024). Medicare physician and other practitioners utilization and payment data; U.S. Department of Health and Human Services, Office ofInspector General. (2023). General compliance program guidance; National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework, AI RMF 1.0.Illustrative comparison: 300 divided by 100 equals 3x.Unitprocedures0100200300100Peer median300Flagged providerPeer median: 100
Outliers are useful because they focus scarce investigative time. A provider billing 300 procedures against a peer median of 100 deserves review. But specialty, patient severity, referrals and rural scarcity can explain legitimate differences. Risk adjustment turns a crude flag into a defensible lead.
Sources
Facturar 3 veces la mediana de pares esuna pista, no una pruebaProcedimientos ilustrativos de un prestador frente a la mediana de pares; las diferencias legítimasrequieren ajuste de riesgo.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: Centers for Medicare & Medicaid Services. (2024). Medicare physician and other practitioners utilization and payment data; U.S. Department of Health and Human Services, Office ofInspector General. (2023). General compliance program guidance; National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework, AI RMF 1.0.Comparación ilustrativa: 300 dividido entre 100 equivale a 3 veces.Unidadprocedimientos0100200300100Mediana de pares300Prestador señaladoMediana de pares: 100
Las anomalías son útiles porque enfocan el tiempo investigativo escaso. Un prestador con 300 procedimientos frente a una mediana de 100 merece revisión. Pero la especialidad, gravedad, referencias y escasez rural pueden explicar diferencias legítimas. El ajuste de riesgo convierte una alerta burda en una pista defendible.
Fuentes
A 2026 provider backtest found persistentdifferences in 13 of 15 features.The source is a provider backtest published by Legal Realist, not a representativePeruvian validation study.Sources: legalrealist.ai.
A single unusual bill may be noise. Repeated differences across many features are harder to dismiss. This 2026 backtest reported significant pre-exclusion differences in 13 of 15 features after Bonferroni correction. The result prioritizes review rather than proving fraud.
Sources
Un backtest de prestadores de 2026halló diferencias persistentes en 13de 15 variables.La fuente es un backtest de prestadores publicado por Legal Realist, no un estudiorepresentativo de validación peruana.Fuentes: legalrealist.ai.
Una sola factura inusual puede ser ruido. Las diferencias repetidas en muchas variables son más difíciles de ignorar. Este backtest de 2026 reportó diferencias significativas previas a la exclusión en 13 de 15 variables tras la corrección de Bonferroni. El resultado prioriza revisión en lugar de probar fraude.
Fuentes
Analytics-backed Medicare investigationsestimated US$6.7 million in savings.The reported figure is an estimated saving from a US Medicare context, not a forecast forPeru.Sources: gao.gov.
This is where detection becomes financially meaningful. In fiscal 2016, analytics-supported Medicare investigations suspended payments to 90 providers and estimated US$6.7 million in savings. The result joins analytics to an operational action. Peru would still need consistent rules for measuring incremental net savings.
Sources
Investigaciones de Medicareapoyadas por analítica estimaronUS$6,7 millones de ahorro.La cifra reportada es un ahorro estimado en el contexto de Medicare estadounidense, noun pronóstico para el Perú.Fuentes: gao.gov.
Aquí la detección se vuelve financieramente significativa. En el año fiscal 2016, investigaciones de Medicare apoyadas por analítica suspendieron pagos a 90 prestadores y estimaron US$6,7 millones de ahorro. El resultado conecta analítica con una acción operativa. El Perú aún necesitaría reglas consistentes para medir ahorro neto incremental.
Fuentes
DOJ health-fraud allegations fell from US$6billion to US$1.2 billionAmounts alleged in annual US Department of Justice health-fraud enforcement actions, 2020 to 2022.Made for Gary Mikel Astorga Agüero, by HanademiSources: U.S. Department of Justice. (2020). National health care fraud and opioid takedown results in charges against 345 defendants responsible formore than $6 billion; U.S. Department of Justice. (2021). National health care fraud enforcement action results in charges involving over $1.4 billion; U.S.Department of Justice. (2022). National health care fraud enforcement action results in charges involving over $1.2 billion.UnitUS$ alleged$0$2B$4B$6B202020212022The 2020 action alleged more thanUS$6 billion.The 2022 action alleged more thanUS$1.2 billion.
Large enforcement actions confirm that organized schemes can reach billions of dollars. The alleged amount moved sharply from more than US$6 billion in 2020 to US$1.2 billion in 2022. These values describe cases and charges, not annual fraud prevalence. They must never be counted as cash savings.
Sources
Las acusaciones de fraude sanitario del DOJ cayeronde US$6.000 millones a US$1.200 millonesMontos alegados en operaciones anuales del Departamento de Justicia de Estados Unidos contra fraudesanitario, 2020 a 2022.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: U.S. Department of Justice. (2020). National health care fraud and opioid takedown results in charges against 345 defendants responsible formore than $6 billion; U.S. Department of Justice. (2021). National health care fraud enforcement action results in charges involving over $1.4 billion;U.S. Department of Justice. (2022). National health care fraud enforcement action results in charges involving over $1.2 billion.UnidadUS$ alegados$0$2 mil M$4 mil M$6 mil M202020212022La operación de 2020 alegó másde US$6.000 millones.La operación de 2022 alegó másde US$1.200 millones.
Las grandes operaciones confirman que los esquemas organizados pueden alcanzar miles de millones de dólares. El monto alegado pasó de más de US$6.000 millones en 2020 a US$1.200 millones en 2022. Estos valores describen casos y acusaciones, no la prevalencia anual. Nunca deben contarse como ahorro en efectivo.
Fuentes
Medical professionals were 24 of 78defendants in the 2023 DOJ actionAll defendants, medical professionals and other defendants in the 2023 US health-care fraud enforcementaction.Made for Gary Mikel Astorga Agüero, by HanademiSources: U.S. Department of Justice. (2023). National health care fraud enforcement action results in charges involving over $2.5 billion;U.S. Government Accountability Office. (2015). A framework for managing fraud risks in federal programs. GAO-15-593SP.Sources use different measurement bases; read the comparison directionally, not as one exact scale.Unitdefendants78All defendants54Other defendants24Medical professionals
The 2023 action charged 78 people, including 24 medical professionals and 54 other defendants. The cases alleged more than US$2.5 billion, but that amount is not plotted because it is a different measure. Charges, billed value, prevented payment and collected cash belong in separate accounting columns. Mixing them inflates impact.
Sources
Los profesionales médicos fueron 24 de 78acusados en la operación del DOJ de 2023Total de acusados, profesionales médicos y otros acusados en la operación estadounidense contra fraudesanitario de 2023.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: U.S. Department of Justice. (2023). National health care fraud enforcement action results in charges involving over $2.5 billion; U.S.Government Accountability Office. (2015). A framework for managing fraud risks in federal programs. GAO-15-593SP.Las fuentes usan bases de medición distintas; lea la comparación como tendencia, no como una escala exacta.Unidadacusados78Todos los acusados54Otros acusados24Profesionales médicos
La operación de 2023 acusó a 78 personas, incluidos 24 profesionales médicos y 54 otros acusados. Los casos alegaron más de US$2.500 millones, pero ese monto no se representa porque es una medida diferente. Acusaciones, valor facturado, pagos prevenidos y efectivo cobrado pertenecen a columnas contables separadas. Mezclarlos infla el impacto.
Fuentes
The US charged more health-frauddefendants in 2026 than in 2025Defendants charged in US national health-care fraud takedowns in 2025 and 2026.Made for Gary Mikel Astorga Agüero, by HanademiSources: oig.hhs.gov.; justice.gov.Unitdefendants202532420264551.4x
National enforcement did not disappear after the earlier actions. The 2025 takedown charged 324 defendants, while the 2026 action charged 455. The associated financial figures are intentionally excluded because one source reports intended losses and the other alleged fraud. Comparable people counts belong together; incompatible loss measures do not.
Sources
Estados Unidos acusó a más personas porfraude sanitario en 2026 que en 2025Personas acusadas en operativos nacionales estadounidenses contra fraude sanitario en 2025 y 2026.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: oig.hhs.gov.; justice.gov.Unidadacusados202532420264551,4x
La acción nacional no desapareció después de los operativos anteriores. El operativo de 2025 acusó a 324 personas, mientras el de 2026 acusó a 455. Las cifras financieras asociadas se excluyen porque una fuente reporta pérdidas previstas y la otra fraude alegado. Los conteos comparables de personas pueden unirse; las pérdidas incompatibles no.
Fuentes
CMS reported stopping US$203 million inimproper payments within 88 days.The claim reports payments stopped by CMS and does not establish how much wouldhave become proven fraud or net savings.Sources: cms.gov.
Prevention can be more valuable than chasing cash after payment. CMS reported stopping more than US$203 million in improper Medicaid payments during the first 88 days of its Fraud War Room. The result shows the value of connecting analytics to rapid operational decisions. It remains a reported improper-payment figure, not a proven fraud total.
Sources
CMS informó que detuvo US$203 millonesen pagos indebidos durante 88 días.La afirmación reporta pagos detenidos por CMS y no establece cuánto habría terminadocomo fraude probado o ahorro neto.Fuentes: cms.gov.
Prevenir puede valer más que perseguir efectivo después del pago. CMS informó que detuvo más de US$203 millones en pagos indebidos de Medicaid durante los primeros 88 días de su centro operativo. El resultado muestra el valor de conectar analítica con decisiones rápidas. Sigue siendo una cifra reportada de pagos indebidos, no un total de fraude probado.
Fuentes
Mature US integrity programs report morethan US$4 returned per US$1 spentReported return per dollar spent for HCFAC in fiscal 2019 and Medicaid Fraud Control Units in fiscal 2025.Made for Gary Mikel Astorga Agüero, by HanademiSources: U.S. Department of Health and Human Services, & U.S. Department of Justice. (2020). Health Care Fraud and AbuseControl Program annual report for fiscal year 2019; oig.hhs.gov.; U.S. Government Accountability Office. (2019). Medicarefee-for-service: Opportunities remain to improve payment integrity and reduce improper payments. GAO-19-277.UnitUS$ returned per US$1 spent$0$2$4$4.2HCFAC FY2019$4.6Medicaid units FY2025Break-even: US$1
Mature programs show that payment integrity can pay for itself. HCFAC reported about US$4.20 returned per dollar spent, and Medicaid Fraud Control Units reported US$4.64 in fiscal 2025. Those are encouraging benchmarks, not a guaranteed Peruvian return. A local calculation must subtract appeals, collection failures, compliance costs and delayed legitimate care.
Sources
Programas maduros de integridad en Estados Unidosreportan más de US$4 por cada US$1 gastadoRetorno reportado por dólar gastado para HCFAC en el año fiscal 2019 y las Unidades de Control de Fraudede Medicaid en 2025.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: U.S. Department of Health and Human Services, & U.S. Department of Justice. (2020). Health Care Fraud and AbuseControl Program annual report for fiscal year 2019; oig.hhs.gov.; U.S. Government Accountability Office. (2019). Medicarefee-for-service: Opportunities remain to improve payment integrity and reduce improper payments. GAO-19-277.UnidadUS$ recuperados por cada US$1 gastado$0$2$4$4,2HCFAC AF2019$4,6Unidades Medicaid AF2025Punto de equilibrio: US$1
Los programas maduros muestran que la integridad de pagos puede financiarse. HCFAC reportó cerca de US$4,20 por dólar gastado y las Unidades de Control de Fraude de Medicaid reportaron US$4,64 en 2025. Son referentes alentadores, no un retorno peruano garantizado. Un cálculo local debe restar apelaciones, fallas de cobranza, costos de cumplimiento y demoras de atención legítima.
Fuentes
Peru's public share grew as household payments fell,but records remain segmentedGovernment and out-of-pocket shares of current health expenditure in Peru, 2000 to 2023.Made for Gary Mikel Astorga Agüero, by HanademiSources: World Bank. (n.d.). Out-of-pocket expenditure (% of current health expenditure) [SH.XPD.OOPC.CH.ZS]. World Bank Open Data;World Bank. (n.d.). Domestic general government health expenditure (% of current health expenditure) [SH.XPD.GHED.CH.ZS]. WorldBank Open Data; Organisation for Economic Co-operation and Development. (2017). OECD reviews of health systems: Peru 2017.Unitshare of health expenditureGovernment share53.0%63.6%20002023Household out-of-pocket share40.3%27.0%20002023
Peru's financing mix shifted toward government funding over two decades, while household out-of-pocket spending fell. That expands the public value of payment integrity. But SIS, EsSalud, EPS and private insurers may keep separate records. Detecting duplicate or coordinated billing requires lawful matching across claims, patients, providers, services and payments.
Sources
La participación pública creció mientras bajaron lospagos familiares, pero los registros siguensegmentadosParticipaciones del gobierno y del gasto de bolsillo en el gasto sanitario corriente del Perú, 2000 a 2023.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: World Bank. (n.d.). Out-of-pocket expenditure (% of current health expenditure) [SH.XPD.OOPC.CH.ZS]. World Bank Open Data;World Bank. (n.d.). Domestic general government health expenditure (% of current health expenditure) [SH.XPD.GHED.CH.ZS]. World BankOpen Data; Organisation for Economic Co-operation and Development. (2017). OECD reviews of health systems: Peru 2017.Unidadproporción del gasto sanitarioParticipación del gobierno53,0 %63,6 %20002023Participación de bolsillo familiar40,3 %27,0 %20002023
La mezcla financiera del Perú se desplazó hacia fondos públicos durante dos décadas, mientras bajó el gasto de bolsillo familiar. Eso amplía el valor público de la integridad de pagos. Pero SIS, EsSalud, EPS y aseguradoras privadas pueden mantener registros separados. Detectar duplicaciones o coordinación requiere cruces legales entre reclamos, pacientes, prestadores, servicios y pagos.
Fuentes
Public leadership enables linkageAn official addresses an auditorium audience beside MINSA displays.Sources: Particle: Peru Health Minister Unveils Four-Point Plan to Expand Competition and Cut Drug Prices. particle.news.
Cross-payer linkage needs lawful authority, visible governance and clear public accountability.
El liderazgo público permite la vinculaciónUn funcionario se dirige a una audiencia junto a pantallas del MINSA.Fuentes: Particle: Peru Health Minister Unveils Four-Point Plan to Expand Competition and Cut Drug Prices. particle.news.
La vinculación entre pagadores necesita autoridad legal, gobernanza visible y responsabilidad pública clara.
Correcting one health algorithm changedwho received extra careModeled share of Black patients among those selected for extra care before and after bias correction in a2019 Science study.Made for Gary Mikel Astorga Agüero, by HanademiSources: Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447-453;National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework, AI RMF 1.0; Congress of the Republic of Peru. (2011). Ley N.° 29733, Ley de…The published series reports 17.7%, 46.5% and a 28.8 percentage-point difference.Unitpercent selected0%20%40%17.7%Original algorithm28.8%Bias correction46.5%Corrected simulation
Algorithms do not only change costs. They can change who receives scrutiny or care. In this study, correcting bias raised Black patients' modeled share among those selected for extra care from 17.7% to 46.5%. Peru should require data minimization, access logging, human review, explanation and appeal before scaling a high-impact detector.
Sources
Corregir un algoritmo sanitario cambióquién recibió atención adicionalProporción modelada de pacientes negros entre quienes fueron seleccionados para atención adicional antesy después de corregir sesgo en un estudio de Science de 2019.Made for Gary Mikel Astorga Agüero, by HanademiFuentes: Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464),447-453; National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework, AI RMF 1.0; Congress of the Republic of Peru. (2011)…La serie publicada reporta 17,7%, 46,5% y una diferencia de 28,8 puntos porcentuales.Unidadporcentaje seleccionado0 %20 %40 %17,7 %Algoritmo original28,8 %Corrección del sesgo46,5 %Simulación corregida
Los algoritmos no solo cambian costos. Pueden cambiar quién recibe escrutinio o atención. En este estudio, corregir el sesgo elevó la proporción modelada de pacientes negros seleccionados para atención adicional de 17,7% a 46,5%. El Perú debe exigir minimización de datos, registro de accesos, revisión humana, explicación y apelación antes de ampliar un detector de alto impacto.
Fuentes
People remain at the centerTwo masked passengers consult smartphones while traveling on public transportation.Sources: Frontiers | Economic impact of health insurance fraud, waste, and abuse: a literature review of direct and indirect costs and system sustainability. frontiersin.org.
Fraud controls operate around daily life, so privacy and access safeguards belong in the savings case.
Las personas siguen en el centroDos pasajeros con mascarillas consultan sus teléfonos mientras viajan en transporte público.Fuentes: Frontiers | Economic impact of health insurance fraud, waste, and abuse: a literature review of direct and indirect costs and system sustainability. frontiersin.org.
Los controles de fraude rodean la vida cotidiana, por lo que la privacidad y el acceso deben formar parte del caso de ahorro.
In summaryMade for Gary Mikel Astorga Agüero, by HanademiSources: oig.hhs.gov.; gao.gov.; usda.gov.Medicaid Fraud Control Units recovered $4.64 for every $1 spent in fiscal year 2025.GAO reported that cumulative US federal improper-payment estimates since fiscal year 2003 totaled about $3 trillion.USDA reported a 10.62% national SNAP payment-error rate for FY2025, above the 6% congressional threshold.
The value of the research is not only what each source knew, but what became visible when their evidence was combined.
Sources
En resumenMade for Gary Mikel Astorga Agüero, by HanademiFuentes: oig.hhs.gov.; gao.gov.; usda.gov.Las Unidades de Control de Fraude de Medicaid recuperaron US$4,64 por cada US$1 gastado en el año fiscal 2025.La GAO informó que las estimaciones acumuladas de pagos indebidos federales en Estados Unidos desde el año fiscal 2003sumaron aproximadamente US$3 billones.El USDA informó una tasa nacional de errores de pago de SNAP de 10,62% en el año fiscal 2025, superior al umbral congresional de 6%.
El valor de la investigación no está solo en cada fuente, sino en lo que apareció al combinar sus evidencias.
Fuentes

The research behind this deck

Peru can save millions by reducing payment leakage, but alerts are not savings. The winning program links reliable data, layered detection, human review and strict accounting so recovered value exceeds review costs and harm.

Key findings

The argument

This research is published in English and Spanish. Ver en español

La investigación detrás de esta presentación

El Perú puede ahorrar millones al reducir fugas de pagos, pero las alertas no son ahorros. El programa ganador conecta datos confiables, detección por capas, revisión humana y contabilidad estricta para que el valor recuperado supere costos y daños.

Hallazgos clave

El argumento

Esta investigación se publica en inglés y español. Read in English