25097

ارائه مدل مطلوب پيش‌بيني هزينه‌هاي درماني بيمه‌شدگان (موردمطالعه: سازمان بيمه سلامت ايران)

كارشناسي ارشد

مديريت فناوري اطلاعات-كسب و كار الكترونيكي

1399-1400

1399/11/28

دكتر محمد فتحيان

دكتر حسين علي احمدي جشفقاني

مهندسي پيشرفت

پيش‌بيني هزينه‌هاي درمان به‌منظور مديريت بهينه منابع مالي و تأمين بودجه‌هاي لازم از مقوله‌هاي مهم در سازمان بيمه سلامت ايران است. اين سازمان به‌عنوان يك سازمان بيمه‌گر پايه متولي ارائه خدمات درماني به بيمه‌شدگان خود كه بيش از نيمي از جمعيت كشور محسوب مي‌شوند، است. در اين تحقيق، ماهيت داده‌هاي هزينه‌اي سازمان، سري زماني در نظر گرفته‌شده است، لذا از روش‌هاي رايج در پيش‌بيني سري‌هاي زماني كه هم در دسته روش‌هاي آماري كلاسيك و هم در دسته روش‌هاي جديد مبتني بر شبكه عصبي وجود دارند، استفاده‌شده است. روش‌هاي استفاده‌شده، روش توسعه‌يافته آماري كلاسيك SARIMAX و روش LSTM مبتني بر روش‌هاي شبكه عصبي است. داده‌هاي موردتحقيق داده¬هاي هزينه‌اي سازمان مربوط به سال‌هاي 1385-1398 است. در هر دو روش كه برمبناي الگوريتم‌هاي يادگيري ماشين كار مي‌كنند داده‌ها به دودسته آموزش و آزمون تقسيم‌شده و مدل موردنظر پس از آموزش، ايجاد و برازش مي‌شود. با استفاده از روش‌هاي آماري فوق و گروه‌بندي هزينه‌هاي سازمان بر اساس چهار مشخصه هزينه‌اي استان محل ارائه خدمت، نوع مالكيت مؤسسات درماني طرف قرارداد، نوع صندوق بيمه‌اي و نوع خدمت ارائه‌شده، 4973 مدل ايجادشده است. جهت ارزيابي مدل‌ها و انتخاب مدل با كارايي بهتر از شاخص‌هاي RMSE و MAPE به‌تنهايي و باهم، استفاده‌شده است. بررسي‌ها نشان مي‌دهد در حالتي كه هزينه‌ها سرجمع نباشند روش LSTM داراي كارايي بهتري است وليكن در اكثر مواردي كه هزينه‌ها سرجمع مي‌باشند و يا اينكه يك هزينه به‌صورت ذاتي از هزينه‌هاي مختلفي تشكيل‌شده است، كارايي روش SARIMAX بهتر است. درنهايت جهت ارائه مدل مطلوب پيش-بيني از روش تركيبي و معيار درصد تحقق پيش بيني استفاده‌شده است.

1400/05/24

Providing a Desirable Model to Predict the Health Insurance Expenditures of the Insured (Case Study: Iran Health Insurance Organization)

2/17/2022 12:00:00 AM

Predicting treatment costs in order to optimally manage financial resources and provide the necessary funds is one of the important categories in the Health Insurance Organization of Iran. This organization, as a basic insurance organization, is responsible for providing medical services to its insured, who are more than half of the country's population. In this study, the nature of the organization's cost data is considered as time series, so common methods have been used to predict time series that exist in both classical statistical methods and neural network-based new methods. The methods used are the classical statistically developed method SARIMAX and the LSTM method based on neural network methods. The data under study are the cost data of the organization for the years 1385-1398 Shamsi. In both methods, which work based on machine learning algorithms, the data is divided into two categories of training and testing, and the desired model is created and fitted after training. Using the above statistical methods and grouping the costs of the organization based on the four cost characteristics of the province where the service is provided, the type of ownership of the medical institutions under the contract, the type of insurance fund and the type of service provided, 4973 models have been created. To evaluate the models and select the model with better performance, RMSE and MAPE indices have been used alone and together. Studies show that the LSTM method is more efficient in cases where the costs are not aggregate, but in most cases where the costs are aggregate or a cost is inherently composed of different costs, the SARIMAX method is better. Finally, in order to present the optimal prediction model, the combined method and the percentage of prediction fulfillment criterion have been used.

سازمان بيمه سلامت ايران , هزينه‌هاي درماني , پيش بيني , يادگيري ماشين , سري زماني

Iran Health Insurance Organization , medical expenditure , forecast , machine learning , time series