A carregar...
Publicação
Modelos Supervisionados Aplicados à Deteção de Fraude em Seguros de Saúde
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 677.45 KB | Adobe PDF |
Orientador(es)
Resumo(s)
Estima-se que a fraude na área da saúde represente um problema na ordem dos 3%
a 10% dos orçamentos de alguns países para este setor e que, no caso particular dos
seguros de saúde, os prejuízos ascendam a vários milhões de euros. Este problema tem
levado estados e seguradoras a implementar Sistemas de Deteção de Fraude sofisticados,
compostos por ferramentas automáticas que procuram identificar os padrões de fraude
conhecidos seguido de um processo manual de inspeção por especialistas.
Contudo, estes sistemas apresentam várias limitações, e algumas técnicas de deteção
de fraude baseadas em modelos data driven têm vindo a ser incorporadas nestes sistemas.
Apesar de se terem revelado eficientes, a natureza dos datasets deste setor - o conjunto
de pedidos de reembolso feitos às seguradoras - traz também muitos desafios à sua implementação,
nomeadamente a distribuição enviesada de classes (uma proporção muito
elevada de pedidos de reembolso legítimos face aos pedidos de reembolso suspeitos) ou
o concept drift (a natureza dos padrões de fraude muda com o tempo). Estas características
dificultam a aplicação de técnicas de aprendizagem automática e são necessárias
abordagens específicas para a sua resolução.
Nesta tese apresenta-se uma solução de aprendizagem automática supervisionada de
deteção de fraude, solicitada por um grupo internacional privado que faz a gestão dos
seguros de saúde de algumas seguradoras. Usou-se, para esse efeito, o datatset constituído
pelos pedidos de reembolso respeitantes aos anos de 2017 e 2018 que haviam sido classificados
como legítimos ou suspeitos pelos auditores. Foram consideradas 4 famílias de
classificadores - Regressão Logística, Random Forest e Support Vector Machine e XGBoost
e os seus desempenhos foram medidos e comparados.
Os resultados obtidos evidenciaram a utilidade destes classificadores, tendo o Random
Forest e o XGBoost apresentado melhores resultados.
Descrição
Palavras-chave
Fraude em Seguros de Saúde Sistemas de Deteção de Fraude Aprendizagem Supervisionada