Mineração de dados para prever e prevenir erros no processamento de reivindicações de seguro de saúde

Os custos de seguros de saúde em todo o mundo aumentaram alarmantemente nos últimos anos. Uma das principais causas desse aumento são os erros de pagamento cometidos pelas seguradoras ao processar reivindicações. Esses erros frequentemente resultam em um esforço administrativo extra para reprocessar (ou retrabalhar) a reivindicação, o que representa até 30% da equipe administrativa em um típico segurador de saúde. Descrevemos um sistema que ajuda a reduzir esses erros utilizando técnicas de aprendizado de máquina, prevendo reivindicações que precisarão ser retrabalhadas, gerando explicações para ajudar os auditores a corrigir essas reivindicações e experimentando com seleção de características, desvio de conceito e aprendizado ativo para coletar feedback dos auditores e melhorar ao longo do tempo. Descrevemos nossa estrutura, formulação do problema, métricas de avaliação e resultados experimentais com dados de reivindicações de um grande segurador de saúde dos EUA. Demonstramos que nosso sistema resulta em uma ordem de magnitude melhor de precisão (taxa de acerto) em comparação com abordagens existentes, o que é preciso o suficiente para potencialmente resultar em uma economia de mais de 15-25 milhões para um segurador típico. Também descrevemos problemas de pesquisa interessantes neste domínio, bem como escolhas de design feitas para tornar o sistema facilmente implantável em seguradoras de saúde.