Resumen

El fraude en las reclamaciones de seguros médicos se ha convertido en un problema importante cuyo crecimiento desenfrenado ha afectado profundamente a la prestación global de servicios sanitarios. Además de las pérdidas económicas sufridas, los pacientes que realmente necesitan atención médica sufren porque los proveedores de servicios no cobran a tiempo como consecuencia de los retrasos en la comprobación manual de sus reclamaciones y, por tanto, no están dispuestos a seguir ofreciendo sus servicios. El fraude en las reclamaciones de seguros médicos se comete a través de los proveedores de servicios, los suscriptores de seguros y las compañías de seguros. Nunca se insistirá lo suficiente en la necesidad de desarrollar un sistema de apoyo a la toma de decisiones (SAD) para la tramitación precisa y automatizada de las solicitudes de reembolso, con el fin de compensar las dificultades a las que se enfrenta el Sistema Nacional del Seguro de Enfermedad. En este trabajo se utiliza el conjunto de datos de solicitudes de reembolso del Sistema Nacional de Seguro de Enfermedad obtenidos de hospitales de Ghana para detectar fraudes y otras anomalías en el seguro de enfermedad. Se utilizan máquinas vectoriales de soporte genético (GSVM), una novedosa herramienta híbrida de minería de datos y aprendizaje automático estadístico, que proporciona un conjunto de sofisticados algoritmos para la detección automática de reclamaciones fraudulentas en estas bases de datos de seguros sanitarios. Los resultados experimentales han demostrado que las GSVM poseían un mejor rendimiento de detección y clasificación cuando se aplicaban utilizando clasificadores de núcleo SVM. Se evaluaron tres clasificadores GSVM y se compararon sus resultados. Los resultados experimentales muestran una reducción significativa del tiempo computacional en el procesamiento de las reclamaciones, a la vez que se incrementa la precisión de la clasificación mediante los distintos clasificadores SVM (lineal (80,67%), polinómico (81,22%) y kernel de función de base radial (RBF) (87,91%).

• Materias:Células solares Sistema de distribución radial Sistema de energía Método espectrofotométrico Transferencia de plasma
• Subjects:Solar cells Radial distribution system Power system Spectrophotometric method Plasma transfer
• Palabras claves:Sistema Nacional del Seguro de Enfermedad, proveedores de servicios, máquinas de vectores de soporte genético, herramienta de aprendizaje automático estadístico, clasificadores de núcleo SVM, sistema de apoyo a la toma de decisiones, reclamaciones de seguros de enfermedad, bases de datos de seguros de enfermedad, fraude en seguros de enfermedad, función de base radial
• Keywords:National Health Insurance Scheme, service providers, Genetic support vector machines, statistical machine learning tool, SVM kernel classifiers, decision support system, health insurance claims, health insurance databases, health insurance fraud, radial basis function