Aprendizado de máquina para detecção de comportamento fraudulento em dados simulados do Sistema Odontológico do SUS
O Sistema Unificado de Saúde do Brasil (SUS) tem um dos maiores programas de assistência odontológica gratuita do mundo. O governo federal, via os seus entes federados, disponibiliza tratamento odontológico a 70% da população brasileira. Mesmo com números tão expressivos, esse sistema ainda possui m...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2017 |
| País: | Brasil |
| Institución: | Universidade Estadual da Paraíba (UEPB) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da UEPB |
| Idioma: | portugués |
| OAI Identifier: | oai:tede.bc.uepb.edu.br:tede/3600 |
| Acceso en línea: | http://tede.bc.uepb.edu.br/jspui/handle/tede/3600 |
| Access Level: | acceso abierto |
| Palabra clave: | Aprendizado de máquina Detecção de fraude Sistemas de auditoria Sistemas de saúde Machine Learning Fraud Detection Healhy System CIENCIAS DA SAUDE::MEDICINA |
| Sumario: | O Sistema Unificado de Saúde do Brasil (SUS) tem um dos maiores programas de assistência odontológica gratuita do mundo. O governo federal, via os seus entes federados, disponibiliza tratamento odontológico a 70% da população brasileira. Mesmo com números tão expressivos, esse sistema ainda possui muitas iniquidades e sofre de um problema endêmico no Brasil, a corrupção, neste caso, em forma de fraude. Estudos indicam que a fraude é responsável por até 40% de desperdícios de recursos em instituições de saúde, trazendo prejuízos financeiros enormes, sobretudo penalizando quem mais necessita da assistência médica, a população de baixa renda. Ferramentas de mineração de dados podem revelar padrões incognoscíveis para seres humanos, mas relativamente fáceis de encontrar para uma máquina treinada. Detectar e eliminar a fraude não é um problema trivial, requer tecnologias, profissionais especialistas e ferramentas. Neste trabalho utilizou- se aprendizado de máquina em dados simulados de atendimentos odontológicos seguindo o padrão o SUS, para separar os que tem indícios de fraude. Foram avaliados os algoritmos Isolation Forest, K-Nearest Neighbors e Mahalanobis Distance, e em todos os testes houve sucesso em separar os clusters de dados normais dos anômalos, demonstrando a possibilidade de utilização dessas ferramentas na detecção de fraudes de forma eficiente. |
|---|