USO DE INFORMAÇÃO DE HISTÓRICO DE BENEFICIÁRIOS PARA REGULAÇÃO EM SAÚDE

Abstract

RESUMO:Regulação é um mecanismo de controle utilizado por uma Operadora de Plano de Saúde (OPS) com objetivo de minimizar o desperdício de recursos por meio da análise de solicitações realizadas pelos beneficiários. Normalmente as solicitações passam por uma avaliação administrativa que certifica se a solicitação cumpre parâmetros não-técnicos (carência, adimplência e outros). Além disso, passa por uma avaliação especializada com profissionais que ficam à disposição para análise das solicitações. Uma das estratégias utilizadas para otimizar essa tarefa é o uso de um sistema que automatize parte desse processo por meio da utilização de aprendizagem de máquina (AM). O objetivo deste trabalho é aperfeiçoar o processo de aprendizagem supervisionada da regulação automatizada acrescentando informação do histórico de regulação dos beneficiários. Este estudo se baseia na ideia de que o histórico de beneficiários fornece informações relevantes sobre o processo de regulação, e, que possíveis solicitações posteriores, sigam, de alguma forma, um padrão baseado em solicitações antigas. A metodologia proposta utiliza três tipos de representação de informações: representação binária, term-frequency (TF) e term-frequency inverse document frequency (TF-IDF). Para cada uma dessas representações, são aplicados algoritmos de seleção de atributos (Consistency Subset Eval (CSE), Correlation Feature Subset (CFS), Wrapper Subset Eval (WSE), Ganho de Informação (IG), Razão de Ganho (Gain Ratio - GR) e Relief) e tranformação de atributos (Principal Component Analysis (PCA), Kernel PCA, Independent Component Analysis (ICA) e Latent Semantic Analysis (LSA)) . Na etapa de aprendizagem supervisionada são testados os algoritmos classificação: Random Forest (RF), Naive Bayes (NB), K-nearest neighbors (KNN) e Support Vector Machine (SVM). Os resultados obtidos pelos classificadores são avaliados a partir das métricas acurácia, precisão, recall, índice Kappa e precision-recall curve (PRC). A partir dos resultados também é avaliado se houve melhora significativa ou não, comparando os resultados da aprendizagem com e sem o histórico. Essa avaliação é realizada utilizando o teste de hipótese Z. Os resultados apontam uma melhora significativa, em todos os classificadores testados, onde o melhor resultado obtido foi utilizando o classificador RF com representações TF e TF-IDF com seleção de atributos. ABSTRACT:Prior Authorization is a control mechanism used by a Health Insurance Providers (HIP) to minimize the waste of resources through the analysis of requests made by beneficiaries. Normally, the applications go through an administrative evaluation that certifies if the application complies with non-technical parameters (lack of funds, compliance and others). In addition, it undergoes a specialized evaluation with professionals who are available to analyze the applications. One of the strategies used to optimize this task is the use of a system that automates part of this process through the use of machine learning (ML). The objective of this work is to improve the process of supervised learning of automated prior authorization by adding information from the history of beneficiaries. This study is based on the idea that the history of beneficiaries provides relevant information on the prior authorization process, and that possible subsequent requests somehow follow a pattern based on old requests. The proposed methodology uses three types of information representation: binary representation, term-frequency. (TF) and term-frequency inverse document frequency (TF-IDF). For each of these representations, feature selection algorithms are applied (Consistency Subset Eval (CSE), Correlation Feature Subset (CFS), Wrapper Subset Eval (WSE), Information Gain (IG), Gain Ratio (GR) and Relief) and feature transformation (Principal Component Analysis (PCA), Kernel PCA, Independent Component Analysis (ICA) and Latent Semantic Analysis (LSA)). In the supervised learning stage the classification algorithms are tested: Random Forest (RF), Naive Bayes (NB), K-nearest neighbors (KNN) and Support Vector Machine (SVM). The results obtained by the classifiers are evaluated from the metrics accuracy, precision, recall, Kappa index and precision-recall curve (PRC). From the results it is also evaluated if there was significant improvement or not, comparing the learning outcomes with and without the beneficiaries’ historical. This evaluation is performed using the hypothesis test Z. The results show a significant improvement in all the classifiers tested, where the best result was obtained using the RF classifier with TF and TF-IDF representations with feature selection.