Baixar para ler offline
Carregado porTribunal de Contas da União - TCU (Oficial)
Painel 01 01 - tiago hillermam - Análise de Cobranças Suspeitas de Consultas Médicas Utilizando o Algoritmo K-means
O documento analisa cobranças suspeitas de consultas médicas utilizando o algoritmo k-means para detectar anomalias e cobranças excessivas. Foi utilizada uma metodologia abrangendo entendimento do negócio, preparação dos dados, modelagem e avaliação, focando na identificação de padrões anormais em um conjunto de dados de aproximadamente 1 milhão de registros. Os resultados indicam a possibilidade de monitoramento e descredenciamento de prestadores com cobranças abusivas.
Mais conteúdo relacionado
Semelhante a Painel 01 01 - tiago hillermam - Análise de Cobranças Suspeitas de Consultas Médicas Utilizando o Algoritmo K-means
Painel 01 01 - tiago hillermam - Análise de Cobranças Suspeitas de Consultas Médicas Utilizando o Algoritmo K-means
- 1. Setembro 2015 Análise deCobranças Suspeitas de Consultas Médicas Utilizando o Algoritmo K-means
- 2. Introdução / Contexto Metodologia Entendimentodo Negócio Entendimento e Preparação dos Dados Modelagem e Avaliação Implementação Conclusões e Aplicações Futuras 2 Agenda
- 3. Aumento de custosde saúde ~10 – 20% do PIB (Brasil / EUA) Dificuldades em avaliar dados de cobranças 3 Inconsistências, Desperdícios e Abusos Estimativa: 10-15% das despesas, dependendo do país • Cobranças excessivas • Procedimentos / materiais / medicamentos desnecessários • Despesas com serviços não prestados • Volume de registros • Regras de negócio para cada procedimento • Ausência de análise comportamental de cobranças de prestadores Introdução CONTEXTO
- 4. Objetivo Principal 4 Detectar cobrançasexcessivas oriundas de prestadores de serviços assistenciais • Foco: Consultas médicas • Hipótese: “Dia impossível” Metodologia CRISP-DM Fonte: CHAPMAN et. al., 2000 Detecção de anomalias Clusterização K-means Abordagem não supervisionada
- 5. Clusterização - K-Means Agrupamentode objetos por semelhança (distância) A Exemplo: 3 Clusters (K = centróides) B C D E F 1. Centróides iniciais aleatórios C1 C2 C3 2. Vinculação de pontos mais próximos 3. Atualização de centróides 4. Nova vinculação F C1 C2 C3 A B C D E F C1 C2 C3 A C1 C2 C3 A B C D E D E F B C A B C D E F 5 Lloyd (1957), Hartigan and Wong (1975)
- 6. A 6 Alternativa: Método do“cotovelo” / (Soma de erros) A C1 C2 D E F B C C3 D E F B C C1 C2 “Soma” das distâncias entre os pontos e seus centróides, Considerando diferentes quantidades de clusters Menor erro = “melhor” representação K = 2 K = 3 Definindo o número de agrupamentos (clusters)
- 7. 7 Entendimento do Negócio Possívelabuso: Serviços não prestados – “dia impossível” Ausência de controles: Qtde. de prestadores/procedimento por paciente, por dia (Ex. coparticipação) Qtde. de pacientes por prestador, por dia Comportamento de prestadores em relação aos pares Instituição avaliada Operadora de planos de saúde - Autogestão Despesas em 2014 – aprox. R$ 3 bilhões Rede de Prestadores: Pessoas Jurídicas: Hospitais, clínicas, laboratórios (maioria) Pessoas Físicas: Médicos, especialistas, terapeutas
- 8. Conjunto de dadosinicial Variáveis iniciais 8 Entendimento e Preparação dos Dados (1 de 3) ~1 milhão de registros ~ 13.000 prestadores ~ R$ 65.000.000,00 Extração Inicial - Origem – Sistema de cobranças (Base SQL) - Período: jan-dez 2013 - Filtros: Pessoas físicas, consultas, autorizador externo
- 9. 9 Entendimento e Preparaçãodos Dados (2 de 3) Conjunto de dados inicial Variáveis iniciais ~1 milhão de registros ~ 13.000 prestadores ~ R$ 65.000.000,00 Extração Inicial - Origem – Sistema de cobranças (Base SQL) - Período: jan-dez 2013 - Filtros: Pessoas físicas, consultas, autorizador externo Manipulação: R Studio
- 10. 10 Entendimento e Preparaçãodos Dados (3 de 3) Distribuição de “Qtde. de consultas por dia” ~99% de registros < 1% de registros Máx. = 93 consultas por dia
- 11. 11 Entendimento do negócio(novamente) Consulta aos especialistas: Quantidade máxima de consultas por dia? ~ 15 mins. por consulta 08 horas por dia (x) 60mins = 480 mins. 480/15 = 32 consultas por dia 18 prestadores Valor envolvido: R$ 600.000,00
- 12. Limite Cobrança incorreta, porémjustificável 12 Entendimento do negócio – Problemas! Falsos Positivos
- 13. Falsos Negativos 13 Entendimento donegócio – Problemas! Limite Limite
- 14. Frequência: Qtde. dedias com atendimentos no mês Alerta: Qtde. de visitas distintas em um único dia Volume: Qtde. de pacientes atendidos no mês 14 Entendimento do negócio – Novas variáveis
- 15. 15 Preparação dos dados– Novas variáveis Variáveis iniciais
- 16. Novas variáveis Alerta FrequênciaVolume 16 Preparaçãodos dados – Novas variáveis Variáveis iniciais
- 17. 17 Modelagem – NovasVariáveis Clusterização de registros cuja variável “QTDE POR DIA” se encontram mais distantes da média (Média + (6 * Desv.Padrão)) = 10.6 consultas por dia Novo subconjunto: ~2.000 registros
- 18. 18 Modelagem – Clusterizaçãodo Novo Subconjunto via K-Means (i)
- 19. 19 Modelagem – Clusterizaçãodo Novo Subconjunto via K-Means (ii) Qtde. de registros e prestadores em cada cluster
- 20. 20 Evaluation – Meansand S.D. for variables in each cluster Qtde. de registros e prestadores em cada cluster Análise: Média e D.P. de cada variável, em cada cluster
- 21. 21 Simulação: Probabilidade queregistros com características do Cluster 03 (média e DP) seriam encontrados nos Clusters 01, 02, 04 Evaluation – Simulated distrbution – Means and S.D. for variables in Cluster 03
- 22. 22 Implantação – Resultados/ Conclusões (i) Foco: Clusters com menos registros, maior probabilidade de cobranças abusivas Necessário verificar novos prestadores (54)
- 23. 23 Suspeitos confirmados =monitoramento / possível descredenciamento Implantação – Resultados / Conclusões (ii) Vantagens / Trabalhos Futuros • Sem necessidade de estabelecer limites por procedimentos • Pode ser ajustado para diminuir incidência de falsos positivos (importante para outros tipos de procedimento) • Comportamento de “verdadeiros positivos” pode servir como padrão para investigações futuras (e para criação de controles de sistema) • Expansão para outros procedimentos e tipos de prestador Confirmação por meio de análise de guias físicias e entrevistas
- 24. Setembro 2015 Obrigado! Tiago PereiraHillerman MPCA UnB – Computação Aplicada, Universidade de Brasília t_hillerman@yahoo.com.br / 61 9339 0000
- 25.
- 26. 26 Definindo o númerode clusters Métricas NbClust • Índices de eficiência para cada n número de clusters Exemplos: Dunn’s index: “qualidade” baseada na distância entre clusters e diâmetro de cada cluster Silhouette: calcula “semelhança” (baseada em distância) de objetos em cada cluster, comparada com a semelhança nos demais clusters. É utilizada como indicador a média do conjunto de agrupamentos.
- 27.