Saltar al contenido principal

Mejora de la recuperación de deudas incobrables en la industria de la salud: un enfoque que utiliza un sistema neuro-difuso con aprendizaje semi-supervisado

Revista de tecnología e información internacional. 30 de marzo de 2015

Ver publicación

Resumen

El costo de la atención médica en los EE. UU. Ha aumentado a un ritmo alarmante durante las últimas dos décadas. Una de las causas del aumento de los costos son las deudas médicas incobrables. Sorprendentemente, hay muy poca investigación que explore el rendimiento de la inteligencia computacional y los métodos de computación blanda para mejorar la recuperación de deudas incobrables en la industria de la salud. Este estudio examina el desempeño de un sistema de inferencia neuro-difuso adaptativo (ANFIS) con aprendizaje semi-supervisado (SSL) en la clasificación de deudas incobrables en el contexto de la salud, ya que una mejor clasificación de la deuda conduce a una mayor recuperación. La simulación por computadora muestra que ANFIS con SSL es un método viable. Nuestro modelo generó una mejor precisión de clasificación que ANFIS solo y nuestra precisión es mejor que la de los estudios anteriores. Se proporciona una interpretación perspicaz de los resultados a través de la agrupación de datos y el análisis de las superficies de control. Este último describe la interacción no lineal entre varios factores que contribuyen a la morosidad. Se proporciona un análisis adicional a través de gráficos de características operativas del receptor (ROC) para interpretar las tasas de precisión de clasificación en un continuo de puntos de corte dentro del rango [0, 1]. Estos resultados y su análisis muestran el potencial de ANFIS con modelos SSL para clasificar casos desconocidos, que son una fuente potencial de recuperación de ingresos.