Healthcare fraud inflicts substantial financial losses and undermines the integrity of healthcare systems, making its effective detection a critical challenge. This is particularly true for identifying complex, coordinated schemes that exploit patient-provider networks. We propose a Bipartite Graph Autoencoder (BGAE) that models patient-provider interactions as heterogeneous graphs to detect relational fraud patterns missed by traditional analyses. The framework uses attention mechanisms to learn representations of patients, providers, and claims through structural and attribute reconstruction. We evaluated our framework against feature-based, structurebased, and homogeneous GNN baselines using synthetically injected anomaly patterns. Experimental results demonstrated that our heterogeneous, graphbased BGAE approach offers notable advantages. The method showed improved performance in detecting anomalous providers, yielding a ∼20% improvement in mean Average Precision (AP) over the strongest performing baseline for this task (0.257±0.023 vs. 0.214±0.024). The model performed effectively with combined structural and attribute anomalies and uniquely provides anomaly scores for individual claims, which may assist investigators. While also leading in AP for highly imbalanced member anomalies (0.398 ± 0.021), its advantage over well-augmented feature-based baselines was less pronounced, and overall model efficacy varied for certain subtle fraud patterns. The findings suggest that explicitly incorporating structured, heterogeneous network information significantly enhances capabilities for detecting complex provider-centric fraud and offers finer-grained claim-level insights for healthcare insurers. While absolute performance metrics indicate room for improvement and highlight the task’s inherent difficulty, this work contributes to graph-based anomaly detection research by demonstrating a tailored approach for bipartite healthcare networks. Future work should focus on enhancing model stability for nuanced fraud patterns and further improving detection in extremely imbalanced scenarios. This research may directly inform the development of more robust fraud mitigation strategies in health insurance.

Bedrägeri inom sjukvården orsakar omfattande ekonomiska förluster och undergräver sjukvårdssystemens integritet, vilket gör effektiv upptäckt till en kritisk utmaning. Detta gäller särskilt för identifiering av komplexa, samordnade system som utnyttjar nätverk mellan patienter och vårdgivare. Vi föreslår en Bipartit Graf-autoencoder (BGAE) som modellerar interaktioner mellan patienter och vårdgivare som heterogena grafer för att upptäcka relationella bedrägerimonster som missas av traditionella analyser. Ramverket använder uppmärksamhetsmekanismer för att lära sig representationer av patienter, vårdgivare och anspråk genom strukturell och attributbaserad rekonstruktion. Vi utvärderade vårt ramverk mot funktionsbaserade, strukturbaserade och homogena GNN-baslinjer med hjälp av syntetiskt injicerade avvikelsemönster. Experimentella resultat visade att vår heterogena, grafbaserade BGAE-metod erbjuder anmärkningsvärda fördelar. Metoden uppvisade förbättrad prestanda vid upptäckt av avvikande vårdgivare, vilket gav en ∼20% förbättring i genomsnittlig precision (AP) jämfört med den starkast presterande baslinjen för denna uppgift (0, 257 ± 0, 023 vs. 0, 214 ± 0, 024). Modellen fungerade effektivt med kombinerade strukturella och attributbaserade avvikelser och tillhandahåller unikt avvikelsevärden för enskilda anspråk, vilket kan hjälpa utredare. Även om den också ledde i AP för mycket obalanserade medlemsavvikelser (0, 398 ± 0, 021), var dess fördel jämfört med välförstärkta funktionsbaserade baslinjer mindre uttalad, och den övergripande modelleffektiviteten varierade för vissa subtila bedrägerimonster. Resultaten tyder på att explicit införlivande av strukturerad, heterogen nätverksinformation avsevärt förbättrar förmågan att upptäcka komplex vårdgivarcentrerad bedrägeri och erbjuder mer detaljerade insikter på anspråksnivå för sjukförsäkringsbolag. Medan absoluta prestandamått indikerar utrymme för förbättring och belyser uppgiftens inneboende svårighet, bidrar detta arbete till forskning om grafbaserad anomalidetektion genom att demonstrera en skräddarsydd metod för bipartita sjukvårdsnätverk. Framtida arbete bör fokusera på att förbättra modellens stabilitet för nyanserade bedrägerimonster och ytterligare förbättra detektionen i extremt obalanserade scenarier. Denna forskning kan direkt informera utvecklingen av mer robusta strategier för att bekämpa bedrägerier inom sjukförsäkring.