El fiscal basado en datos: cómo la revolución analítica del Departamento de Justicia está transformando la lucha contra el fraude
El 18 de mayo de 2026, un jurado del Distrito Central de California declaró culpable a la Dra. Violetta Mailyan de orquestar una estafa de 45 millones de dólares para defraudar a Medicare mediante reclamaciones fraudulentas por inyecciones de Botox. Si bien el fraude en sí mismo ya era bastante descarado, lo que convierte a este caso en un hito es la forma en que el Gobierno la descubrió.
El equipo de análisis de datos de la Sección de Fraude Sanitario del Departamento de Justicia (DOJ) señaló a Mailyan después de que su análisis revelara que había cobrado más pagos de Medicare por inyecciones de Botox que cualquier otro médico del país. En el juicio, los fiscales dejaron claro el asunto con una prueba comparativa con otros profesionales: un gráfico que mostraba a Mailyan como un caso estadísticamente atípico que había ingresado más de 24 millones de dólares en cuatro años, lo que suponía seis veces más que el siguiente grupo de proveedores con mayores ingresos. La imagen es impactante, intuitiva y devastadora. Redujo un complejo plan de fraude a un único dato irrefutable: esta médica no es como los demás:
El caso Mailyan no es un caso aislado de éxito. Es el ejemplo más reciente de un cambio fundamental en la forma en que el Gobierno federal detecta y persigue el fraude en el sector sanitario: un cambio de la investigación reactiva a la identificación proactiva, basada en datos, de los autores de fraudes.
El auge del equipo de análisis de datos
El Equipo de Análisis de Datos de la Unidad de Fraude Sanitario del Departamento de Justicia (DOJ) se creó para mejorar la capacidad de la Unidad para detectar, investigar y enjuiciar tramas complejas de fraude sanitario. Desde su creación, el equipo ha crecido tanto en capacidad como en ambición. Según el informe «2025 Year in Review» del Departamento de Justicia, el Equipo de Análisis de Datos completó 2.085 solicitudes de datos y 164 remisiones proactivas de datos solo en 2025 —remisiones que contribuyeron a las decisiones de imputación, a la resolución de asuntos importantes y a la incautación de activos.[1]
El término «derivación proactiva» es la clave. La lucha tradicional contra el fraude en la asistencia sanitaria ha seguido durante mucho tiempo un modelo de «pagar y perseguir»: el Gobierno abona las reclamaciones, recibe una pista o una denuncia, investiga a posteriori y, a continuación, intenta recuperar fondos que, a menudo, ya se han esfumado. Las remisiones proactivas de datos sirven para invertir este paradigma. El equipo de análisis de datos identifica anomalías estadísticas, valores atípicos en la facturación y patrones sospechosos en los datos de las reclamaciones antes de que se presente una denuncia y, en algunos casos, incluso antes de que el dinero salga de las arcas.
El caso Mailyan es un ejemplo clásico. Nadie presentó una denuncia como denunciante. Ningún empleado descontento llamó a la línea de denuncia. Fueron los propios datos los que dieron la voz de alarma.
Qué significa esto para los profesionales sanitarios
Las implicaciones prácticas para los profesionales sanitarios son considerables. El Departamento de Justicia ya no depende principalmente de los denunciantes, las quejas de los pacientes o las pistas de investigación tradicionales para iniciar procedimientos. El Gobierno está analizando activamente los datos de las reclamaciones de Medicare y Medicaid para identificar casos atípicos, y lo hace de forma continua.
La prueba documental del juicio Mailyan, un gráfico comparativo con sus homólogos en el que se muestra que la acusada se desvía varias desviaciones estándar de sus homólogos, es un anticipo de lo que verán los jurados en futuros casos. Es sencillo, visual y contundente. Un profesional que presente un valor estadísticamente atípico se enfrentará a la conclusión inmediata de que algo no va bien, y la carga de explicar esos datos recaerá directamente sobre la defensa.
A efectos de cumplimiento normativo, los proveedores deben partir de la base de que sus datos de facturación están siendo analizados y comparados con los de sus homólogos en todo momento. Los programas internos de cumplimiento normativo deben incorporar los mismos tipos de análisis que utiliza el Gobierno —comparaciones con homólogos, detección de valores atípicos y análisis de tendencias— para identificar y subsanar posibles problemas antes de que el Gobierno intervenga. Como deja claro el historial de actuaciones del Departamento de Justicia, es mucho mejor ser quien detecta la anomalía primero.
Conclusión
La condena del Dr. Mailyan supone un hito, no por el fraude en sí mismo, sino por lo que representa para el futuro de la lucha contra el fraude en el sector sanitario. El Gobierno descubrió este caso no gracias a una denuncia ni a un denunciante, sino a través de datos. Y demostró los hechos en el juicio no principalmente mediante testigos que colaboraron o pruebas documentales, sino a través de un gráfico que mostraba que la facturación del acusado se alejaba tanto de la norma que resultaba inexplicable desde el punto de vista de cualquier práctica legítima.
A medida que el Departamento de Justicia sigue invirtiendo en su equipo de análisis de datos y en sus capacidades de detección basadas en la inteligencia artificial, los proveedores deben tener en cuenta que la era del «pagar y perseguir» está dando paso a una era de «detectar y prevenir». El gráfico comparativo entre pares del juicio Mailyan puede resultar ser una de las pruebas documentales más trascendentales en la reciente lucha contra el fraude sanitario, no por lo que reveló sobre un médico, sino por lo que indica sobre cómo el Gobierno pretende encontrar y procesar al siguiente.
