Um Levantamento Sobre o Uso de Algoritmos de Aprendizado de Máquina em Auditorias de Planos de Saúde Outros Idiomas

ID:
58478
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
Citação ABNT:
RADUENZ, J. C.; FERNANDES, A. M. R. Um Levantamento Sobre o Uso de Algoritmos de Aprendizado de Máquina em Auditorias de Planos de Saúde. Revista de Gestão em Sistemas de Saúde, v. 9, n. 1, p. 119-131, 2020.
Citação APA:
Raduenz, J. C., & Fernandes, A. M. R. (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.
DOI:
https://doi.org/10.5585/rgss.v9i1.15296
Link Permanente:
http://www.spell.org.br/documentos/ver/58478/um-levantamento-sobre-o-uso-de-algoritmos-de-aprendizado-de-maquina-em-auditorias-de-planos-de-saude/i/pt-br
Tipo de documento:
Artigo
Idioma:
Português
Referências:
Agência Nacional de Saúde Suplementar (2019). Dados e Indicadores do Setor. Recuperado em 24 julho, 2019, de http://www.ans.gov.br/perfil-do-setor/dados-eindicadores-do-setor.

Alpaydin, E.. (2016). Introduction to Machine Learning (3 rd ed.. MIT Press (MA)n.

Bauder, R. 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, R. A., da Rosa, R. C., Khoshgoftaar, T. 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.

Bauder, R. A., Khoshgoftaar, T. 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, R.A. , , Khoshgoftaar, T., 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.

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

Cassimiro, J. C., A Santana, A.M., Santos Neto, P., Rabelo, R.L. (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, Y. , Sun, C. , Li, R. Li, Q. , Cui, L. , Gong, B. (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 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 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 julho 2019, de https://iessdata.iess.org.br/dados/bmh.

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

Mueller, J. P. , Massaron, L. (2018). Aprendizado de Máquina para Leigos. Rio de Janeiro: AltaBooks..

Russel, Stuart, Norvig, Peter (2013). Inteligência Artificial (3rd ed.).. Rio de Janeiro: Editora Campus.

Seo, J. , Mendelevitch, O. (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, J. A. S. V. , Hinrichsen, S. L. , Brayner, K. A. C. , Vilela, T. A. S.; Lemos, M. C. (2017). Glosas hospitalares e o uso de protocolos assistenciais: revisão integrativa da literatura. Revista de Administração em Saúde. Recuperado em 14 agosto, 2019 de http://cqh.org.br/ojs-2.4.8/index.php/ras/article/view/13.

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

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

Sun, C. , Li, Q. , Li, H. Shi, Y. , Zhang, S. , Guo, W. (2019). Patient Cluster Divergence Based Healthcare Insurance Fraudster Detection. IEEE Access, vol. 7, pp. 14162–14170.

Theobald, O. (2017). Machine Learning for Absolute Beginners (2nd ed.). Scatterplot Press.

Tike, A., Tavarageri, S. (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