Um levantamento sobre o uso de algoritmos de aprendizado de máquina em auditorias de planos de saúde

Autores

DOI:

https://doi.org/10.5585/rgss.v9i1.15296

Palavras-chave:

Planos de saúde, Auditoria, Aprendizado de máquina.

Resumo

Apesar das operadoras de saúde terem mais de 47 milhões de clientes com plano de saúde no Brasil, estas companhias ainda possuem processos que são manuais. Um destes processos é o de auditoria médica que realiza a análise de cada conta com despesas que foram realizadas pelo beneficiário da operadora em algum hospital, clínica ou laboratório. Cada conta é analisada com o objetivo de verificar se não existe algo fora do contexto de uma cirurgia, exame ou consulta. Os custos destas auditorias são elevados e o resultado é variado e de acordo com o conhecimento individual do auditor. Além de ser um processo demorado, estas contas somente serão pagas para quem prestou o serviço após a análise dos auditores, trazendo insatisfação para quem aguarda o pagamento. A execução manual deste processo está suscetível a falhas e fraudes. Neste contexto, os algoritmos de Aprendizado de Máquina são utilizados para auxiliar no processo de auditoria em várias áreas do conhecimento. Sendo assim, este artigo .

Downloads

Não há dados estatísticos.

Biografia do Autor

Anita Maria da Rocha Fernandes, Universidade do Vale do Itajaí - UNIVALI

Professora do curso de Mestrado em Computação Aplicada da Universidade do Vale do Itajai.

Jean Carlo Raduenz, Universidade do Vale do Itajaí - UNIVALI

Mestrando do curso de Mestrado em Computação Aplicada da Universidade do Vale do Itajai.

Referências

Agência Nacional de Saúde Suplementar (2019). Dados e Indicadores do Setor. Recuperado em 24 de julho, 2019, de http://www.ans.gov.br/perfil-do-setor/dados-e-indicadores-do-setor.

Alpaydin, Ethem. (2016). Introduction to Machine Learning. MIT Press (MA); third edition.

Brasil (1998). Ministério da Saúde: Manual de Normas de Auditoria. Recuperado em 20 de julho, 2019, de http://bvsms.saude.gov.br/bvs/publicacoes/manual_normas_auditoria.pdf.

Bauder, Richard, A., Khoshgoftaar, Taghi M. (2016) A Probabilistic Programming Approach for Outlier Detection in Healthcare Claims. Proceedings of 15th IEEE International Conference on Machine Learning and Applications. ICMLA 2016, pp. 347–354.

Bauder, Richard, A., Khoshgoftaar, Taghi M. (2017) Medicare fraud detection using machine learning methods. Proceedings of 16th IEEE International Conference on Machine Learning and Applications. ICMLA 2017, vol. 2018-jan, pp. 858–865.

Bauder, Richard, A. (2018). Medicare Fraud Detection Using Random Forest with Class Imbalanced Big Data. Proceedings of 2018 IEEE 19th Int. Conference on Information Reuse Integrated Data Science. IRI 2018.

Bauder, Richard, A., da Rosa, Raquel C., Khoshgoftaar, Taghi M. (2018). Identifying Medicare Provider Fraud with Unsupervised Machine Learning. Proceedings of 2018 IEEE 19th Int. Conference on Information Reuse Integrated Data Science. IRI 2018, pp. 285–292, 2018.

Cassimiro, Jackson Cunha, André Macedo Santana, Pedro Santos Neto, Ricardo Lira Rabelo (2017). Investigating the Effects of Class Imbalance in Learning the Claim Authorization Process in the Brazilian Health Care Market. Proceedings of 2017 International Joint Conference on Neural Networks (IJCNN), vol. 2017-May, pp. 3265–3272.

Gao, Yongchang, Sun, Chenfei, Li, Ruican, Li, Qingzhong, Cui, Lizhen, Gong, Bin (2018). An Efficient Fraud Identification Method Combining Manifold Learning and Outliers Detection in Mobile Healthcare Services. IEEE Access, vol. 6, pp. 60059–60068.

Instituto de Estudos de Saúde Suplementar (2013). Guia da Saúde Sumplementar. Recuperado em 24 de julho, 2019, de http://documents.scribd.com.s3.amazonaws.com/docs/jwfnp1a4g3pcsuj.pdf.

Instituto de Estudos de Saúde Suplementar (2018). R$ 28 bilhões em fraudes e desperdícios. Recuperado em 24 de julho, 2018, de https://www.iess.org.br/?p=blog&id=745

Instituto de Estudos de Saúde Suplementar (2019). Beneficiários de planos médicos hospitalares. Recuperado em 24 de julho, 2019, de https://iessdata.iess.org.br/dados/bmh.

Minami, Bruno (2018). Sumário Executivo da Análise Especial do Mapa Assistencial da Saúde Suplementar no Brasil – Ano de 2018. Recuperado em 23 de agosto, 2019, de https://www.iess.org.br/cms/rep/sumapav3.pdf.

Mueller, John Paul, Massaron, Luca (2018). Aprendizado de Máquina para Leigos. AltaBooks, Rio de Janero.

Russel, Stuart, Norvig, Peter (2013). Inteligência Artificial. Ed. 3ª. Editora Campus, Rio de Janeiro.

Seo, Jiwon, Mendelevitch, Ofer (2017). Identifying Frauds and Anomalies in Medicare-B Dataset Proceedings of 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC).

Silva, Joana Angélica Santos Veloso, Hinrichsen, Sylvia Lemos, Brayner, Kaline Assis Carneiro, Lemos, Marcela Coelho (2017). Glosas hospitalares e o uso de protocolos assistenciais: revisão integrativa da literatura. Revista de Administração em Saúde. Recuperado em 14 de agosto, 2019 de http://cqh.org.br/ojs-2.4.8/index.php/ras/article/view/13.

Silva, Vinícius Dornela, Scarpel, Rodrigo Arnaldo (2007). Detecção de fraudes na distribuição de energia elétrica utilizando support vector machine. Investigação Operacional, 27 (2007) 139-150. Recuperado em 12 de agosto, 2019, de http://www.scielo.mec.pt/pdf/iop/v27n2/v27n2a03.pdf.

Silveira, Guilherme, Bullock, Bennett (2017). Machine Learning: introdução a classificação. Editora Casa do Código, São Paulo.

Sun, Chenfei, Li, Qingzhong, Li, Hui, Shi, Yuliang, Zhang, Shidong, Guo, Wei (2019). Patient Cluster Divergence Based Healthcare Insurance Fraudster Detection. IEEE Access, vol. 7, pp. 14162–14170

Theobald, Oliver (2017). Machine Learning for Absolute Beginners. Scatterplot Press; 2nd

Edition.

Tike, Anuja, Tavarageri, Sanket (2017). A Medical Price Prediction System using Hierarchical Decision Trees. Proc. - 2017 IEEE International Conference on Big Data, Big Data 2017, vol. 2018-Jan, pp. 3904–3913

Downloads

Publicado

2020-06-12

Como Citar

Fernandes, A. M. da R., & Raduenz, J. C. (2020). Um levantamento sobre o uso de algoritmos de aprendizado de máquina em auditorias de planos de saúde. Revista De Gestão Em Sistemas De Saúde, 9(1), 119–131. https://doi.org/10.5585/rgss.v9i1.15296

Edição

v. 9 n. 1 (2020): jan./abr.

Seção

Artigos

Licença

Copyright (c) 2020 Revista de Gestão em Sistemas de Saúde

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Creative Commons Atribuição - Não comercial - Compartilhar igual 4.0 Internacional  que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.

Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.

Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre) em http://opcit.eprints.org/oacitation-biblio.html