14518

استفاده از تكنيك هاي يادگيري ماشين در تشخيص تقلب در سيستم هاي سلامت

1400

دكتر مهدي غضنفري

سيستم هاي سلامت هر كشور يكي از مهم ترين بخش هايي مي باشد كه امكان تمايز آن كشور از سايرين را دارد هم چنين براي كشورهايي كه از سيستم هاي پزشكي با كيفيتي برخوردار هستند يكي از جاذبه هاي توريستي نيز مي باشد. صنعت پزشكي و صنايع مرتبط به آن داراي پيچيدگي هايي مي باشند كه آن ها را از ساير صنايع مجزا مي كند و با توجه به اينكه همواره دو ذي نفع اصلي آن يعني دولت و مردم بودجه و هزينه هاي زيادي را هر ساله به موضوعات مربوط به پزشكي تخصيص مي دهند اين صنعت براي متقلبين و كلاهبرداران داراي جذابيت است. با توجه به اينكه نياز به سيستم هاي پزشكي بخشي از درآمد افراد را براي پيشگيري، تشخيص و درمان صرف مي شود كه اين هزينه براي افراد مسن، افراد داراي انواع بيماري ها و افراد ناتوان نسبت به افراد جوان تر رو به افزايش مي باشد. تقلب هاي موجود در اين سيستم باعث افزايش هزينه هاي درمان براي مردم مي شود و همچنين افزايش فساد در بخش دولتي و خصوصي را در پي دارد. با توجه به پيشرفت تكنولوژي و ورود به دوره فناوري اطلاعات و ظهور علومي همچون علم داده، هوش مصنوعي و همچنين توسعه پايگاه هاي داده امكان كشف تقلب را فراهم كرده است. در اين پژوهش انواع گوناگون تقلب هاي موجود در بيشتر كشور ها از جمله ايران مورد بررسي قرار گرفته و همچنين انواع الگوريتم هاي نظارت شده، نظارت نشده، نيمه نظارت شده و تركيبي به كار رفته در پژوهش هاي كشف تقلب در سيستم سلامت داشته و همچنين به بررسي داده هاي مورد نياز و انواع معيار هاي ارزيابي مدل هاي يادگيري ماشين پرداخته و به شرح فرآيند و موضوعات مرتبط و چالش هاي موجود در اين حوزه نيز پرداخته شده است.

1/12/2023 12:00:00 AM

85908

1403/09/24

Healthcare Fraud Detection Using Machine Learning Techniques

كشف تقلب , يادگيري ماشين , سيستم سلامت , الگوريتم هاي نظارت شده , الگوريتم هاي نظارت نشده

Fraud Detection , Machine Learning , Healthcare System , Supervised Learning , Unsupervised Learning