Direkt zum Inhalt

Verbesserung der Beitreibung von Forderungsausfällen im Gesundheitswesen - ein Ansatz, der ein Neuro-Fuzzy-System mit halbüberwachtem Lernen verwendet

Zeitschrift für Internationale Technologie und Information. März 30, 2015

Publikation anzeigen

Abstrakt

Die Kosten für die Gesundheitsversorgung in den USA sind in den letzten zwei Jahrzehnten alarmierend gestiegen. Eine der Ursachen für die steigenden Kosten sind medizinische Forderungsausfälle. Es gibt überraschend wenig Forschung, die die Leistungsfähigkeit von Computerintelligenz und Soft-Computing-Methoden bei der Verbesserung des Forderungsrückflusses im Gesundheitswesen untersucht. Diese Studie untersucht die Leistung eines adaptiven Neuro-Fuzzy-Inferenz-Systems (ANFIS) mit semi-überwachtem Lernen (SSL) bei der Klassifizierung von Forderungsausfällen im Gesundheitswesen, da eine bessere Schuldenklassifizierung zu einer besseren Erholung führt. Die Computersimulation zeigt, dass ANFIS mit SSL eine praktikable Methode ist. Unser Modell ergab eine bessere Klassifizierungsgenauigkeit als ANFIS allein, und unsere Genauigkeit ist besser als in den vorherigen Studien. Eine aufschlussreiche Interpretation der Ergebnisse wird durch Datenclustering und Analyse der Kontrolloberflächen bereitgestellt. Letzteres zeigt die nichtlineare Wechselwirkung zwischen verschiedenen Faktoren, die zu Forderungsausfällen beitragen. Zusätzliche Analysen werden durch Empfänger-Betriebskennliniendiagramme (ROC-Diagramme) bereitgestellt, um die Klassifizierungsgenauigkeitsraten an einem Kontinuum von Grenzpunkten innerhalb des Bereichs [0, 1] zu interpretieren. Diese Ergebnisse und ihre Analyse zeigen das Potenzial von ANFIS mit SSL-Modellen bei der Klassifizierung unbekannter Fälle, die eine potenzielle Quelle für die Einnahmeerholung darstellen.