改善医疗保健行业的坏账回收 - 采用神经模糊系统和半监督学习的方法

抽象

美国医疗保健成本在过去二十年中以惊人的速度上升。 成本上升的原因之一是医疗不良债务。 令人惊讶的是，很少有研究探讨计算智能和软计算方法在改善医疗保健行业坏账恢复方面的表现。 本研究考察了自适应神经模糊推理系统（ANFIS）与半监督学习（SSL）在医疗保健背景下对坏账进行分类的表现，因为更好的债务分类可以带来更大的复苏。 计算机模拟表明，使用SSL的ANFIS是一种可行的方法。 我们的模型比单独使用ANFIS产生更好的分类准确度，并且我们的准确性优于以前的研究。 通过数据聚类和控制表面分析提供对结果的深刻理解。 后者描述了导致坏账的各种因素之间的非线性相互作用。 通过接收器操作特性（ROC）图表提供附加分析，以解释在[0，1]范围内的连续截止点处的分类准确率。 这些结果及其分析显示了ANFIS与SSL模型在分类未知病例方面的潜力，这是收入恢复的潜在来源。