ESTUDO DA INFLUÊNCIA DE CARACTERÍSTICAS TEXTUAIS NO PROCESSO DE AUTOMATIZAÇÃO DA REGULAÇÃO MÉDICA

Abstract

RESUMO: No Brasil, um dos maiores problemas na área da saúde é a baixa capacidade de assistência dos hospitais públicos para uma grande demanda populacional. Em razão disso, brasileiros têm recorrido a saúde suplementar, atividade que envolve a operação de planos e seguros privados de assistência médica e odontológica à saúde. Muitas empresas Operadoras de Planos de Saúde (OPS) enfrentam dificuldades financeiras devido a fraudes e/ou abusos na utilização dos serviços de saúde, como por exemplo, execução de procedimentos desnecessários. Com a finalidade de evitar gastos abusivos, as OPS começaram a utilizar um mecanismo chamado regulação, onde uma análise prévia da necessidade de cada usuário é feita para autorizar ou recusar as solicitações requeridas. Normalmente, uma empresa de porte médio recebe diariamente centenas de solicitações, as quais constam os dados pessoais e o quadro clínico do paciente. Assim, faz-se necessária a presença de especialistas para analisar cada solicitação e aprovar ou recusar, incluindo uma justificativa para a decisão. Porém, o gasto para manter uma equipe de especialistas de tamanho proporcional a demanda diária é alto. Por esse motivo as OPS têm buscado técnicas para realizar essa atividade de forma automática ou semiautomática. Este trabalho tem como objetivo estudar a influência do uso de características textuais na avaliação do processo de regulação automática de uma OPS por meio do uso de técnicas de Processamento de Linguagem Natural e Aprendizado de Máquina. Como este estudo possui um problema característico de classificação, foram realizados experimentos utilizando os classificadores KNN, J48, Naive Bayes (NB), Random Forest (RF) e SVM. As características do paciente e as informações textuais do quadro clínico foram utilizadas como entradas para criação do modelo para predizer qual classe um determinado conjunto de características pertence: aprovada ou recusada. Foram estudados diferentes grupos de palavras e os resultados dos experimentos apontam para o grupo criado pelo TF-IDF como maior melhoria em relação a linha de base.Abstract:In Brazil, one of the biggest problems in the health area is the low capacity of assistance of the public hospitals for a great population demand. As a result, Brazilians have resorted to supplementary health care, which involves the operation of private health insurance plans, dental care and insurance. Many health maintenance organizations (HMO) face financial difficulties due to fraud and/or abuse of health services, such as unnecessary procedures. In order to avoid abusive expenses, the HMO began to use a mechanism called prior authorization, where a prior analysis of each user’s need is made to authorize or deny the required requests. Usually, a medium-sized company receives hundreds of requests daily, which contained personal data and the clinical condition of the patient. So it is necessary the presence of experts to analyze each request and approve or decline, including a justification for the decision. However, the expense to keep a team of experts of proportional size to daily demand is high. For this reason, the HMO has sought techniques that perform this activity automatically or semi-automatically. This work aims to study the influence of the use of textual characteristics in the evaluation of the automatic prior authorization process of an HMO through the use of techniques of Natural Language Processing and Machine Learning. As this study has a characteristic problem of classification, we performed experiments using the KNN, J48, Naive Bayes (NB), Random Forest (RF) and SVM classifiers. The patient’s characteristics and the textual information of the clinical condition were used as inputs to create the model to predict which class a certain set of characteristics belongs: approved or refused. Different groups of words were studied and the results of the experiments point to the group created by TF-IDF as a major improvement over the baseline..