Улучшение взыскания безнадежных долгов в сфере здравоохранения - подход с использованием нейро-нечеткой системы с обучением под наблюдением

Абстрактные

Стоимость здравоохранения в США росла с угрожающей скоростью в течение последних двух десятилетий. Одной из причин роста стоимости является медицинская безнадежная задолженность. К удивлению, очень мало исследований, в которых анализируется эффективность вычислительного интеллекта и мягких вычислений в улучшении восстановления безнадежных долгов в сфере здравоохранения. В этом исследовании рассматривается эффективность адаптивной системы нейро-нечеткого логического вывода (ANFIS) с полууправляемым обучением (SSL) при классификации безнадежных долгов в контексте здравоохранения, поскольку более качественная классификация долгов ведет к более быстрому восстановлению. Компьютерное моделирование показывает, что ANFIS с SSL является жизнеспособным методом. Наша модель произвела лучшую точность классификации, чем одна ANFIS, и наша точность лучше, чем в предыдущих исследованиях. Проницательная интерпретация результатов обеспечивается путем кластеризации данных и анализа поверхностей управления. Последний изображает нелинейное взаимодействие между различными факторами, способствующими возникновению безнадежных долгов. Дополнительный анализ предоставляется с помощью диаграмм рабочих характеристик приемника (ROC) для интерпретации показателей точности классификации в континууме точек отсечения в пределах диапазона [0, 1]. Эти результаты и их анализ показывают потенциал ANFIS с моделями SSL в классификации неизвестных случаев, которые являются потенциальным источником получения дохода.