Διερεύνηση των χρεώσεων για υπηρεσίες υγείας των ασφαλισμένων στο Τ.Υ.Π.Ε.Τ με χρήση του λογισμικού εξόρυξης πληροφοριών WEKA
Το αντικείμενο της παρούσας διπλωματικής εργασίας είναι η διερεύνηση των χρεώσεων ενός ασφαλιστικού ταμείου υγείας, η περίπτωση του Ταμείου Υγείας του Προσωπικού Εθνικής Τράπεζας, μέσω της χρήσης μεθόδων τεχνητής νοημοσύνης με σκοπό την εύρεση του καλύτερου μοντέλου. Η ανάλυση αυτή γίνεται με τη βοή...
Αποθηκεύτηκε σε:
| Περίληψη: | Το αντικείμενο της παρούσας διπλωματικής εργασίας είναι η διερεύνηση των χρεώσεων ενός ασφαλιστικού ταμείου υγείας, η περίπτωση του Ταμείου Υγείας του Προσωπικού Εθνικής Τράπεζας, μέσω της χρήσης μεθόδων τεχνητής νοημοσύνης με σκοπό την εύρεση του καλύτερου μοντέλου. Η ανάλυση αυτή γίνεται με τη βοήθεια του προγράμματος WEKA 3.5.5 που αναπτύχθηκε στο Πανεπιστήμιο Waikato της Νέας Ζηλανδίας από τους ερευνητές Eibe Frank, Len Trigg και Mark Hall. Στο πρόγραμμα WEKA υπάρχουν αρκετοί αλγόριθμοι εκμάθησης σε γλώσσα προγραμματισμού Java από τους οποίους εμείς χρησιμοποιήσαμε τους 51 από αυτούς προκειμένου να βρούμε αυτόν που προσεγγίζει με καλύτερο τρόπο το πρόβλημα χρεώσεων του ταμείου. Παρουσιάζεται με αναλυτικό τρόπο το Ελληνικό σύστημα υγείας, που αποτελεί και το περιβάλλον μέσα στο οποίο δραστηριοποιείτε ο ασφαλιστικός φορέας υγείας που εξετάζουμε. Μέσα από την ανάλυση αυτή φανερώνεται το πρόβλημα των δαπανών και για την Κρατική όσο και για την Ιδιωτική υγεία. Στόχος είναι η συγκράτηση των δαπανών και η ορθολογικότερη χρήση πόρων και προσωπικού για την καλύτερη εξυπηρέτηση των ασφαλισμένων. Στην παρούσα μελέτη χρησιμοποιούνται μέθοδοι τεχνητής νοημοσύνης για την ανάλυση και εύρεση του καλύτερου αλγορίθμου μηχανικής μάθησης για το συγκεκριμένο πρόβλημα των χρεώσεων του ΤΥΠΕΤ. Επίσης χρησιμοποιήσαμε τη μεθοδολογία αξιολόγησης μέσω επαναλαμβαμόμενων δοκιμών στα δεδομένα των χρεώσεων που είχαμε για τις χρήσεις 2005,2006 και 2007. Σημαντικό κριτήριο για την ανάλυση της απόδοσης και αξιοπιστίας των αλγορίθμων εξάλλου, αποτελούν τα ποσοστά σφάλματος της ταξινόμησης που υπολογίζονται για κάθε προσέγγιση. Τέλος, είχαμε 14 βασικές μεταβλητές οι οποίες αφορούσαν κατηγοριές χρεώσεων, από αυτές αναλύσαμε τις δύο πιο σημαντικές, την Χ5 και τη Χ14, οι οποίες έχουν τις μεγαλύτερες χρεώσεις και για τα τρία έτη που πήραμε σαν βάση ανάλυσης. Μέσα από την ανάλυση αυτή προσπαθήσαμε να βρούμε εκείνον ή εκείνους τους αλγόριθμους οι οποίοι θα μας έδιναν δυνατότητα μελλοντικής πρόβλεψης των χρεώσεων ενός ασφαλιστικού οργανισμού. |
|---|