Marcelo Dallagassa

PREDIÇÃO DE CASOS DE ALTÍSSIMO CUSTO E
DETECÇÃO AUTOMÁTICA DE IMPROPRIEDADES
EM CONTAS MÉDICAS
Marcelo Rosano Dallagassa
2
INTRODUÇÃO
Apresentar os conceitos sobre IA – Mineração de Dados
Detalhar o processo e apresentar a metodologia
Demonstrar a Ferramenta
Apresentar os resultados obtidos
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
3
Mineração de Dados
“É um processo não trivial para identificar
padrões que sejam válidos e previamente
desconhecidos, potencialmente úteis e
compreensíveis, visando melhorar o
entendimento do problema, possibilitando
o auxilio no processo de tomada de
decisões” (FAYYAD et al., 1996).
A descoberta de uma informação preciosa que pode-se
transformar em um conhecimento novo
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
4
Mineração de Dados - Métodos
Métodos Descritivos
Encontrar padrões compreensíveis por humanos
para descrever os dados
Métodos Preditivos
Usar algumas variáveis para prever valores
desconhecidos ou futuros de outras variáveis
5
Mineração de Dados
Métodos Descritivos
“[...] Em meados do século passado, por
ocasião de uma epidemia de cólera em
Londres, John Snow (1854), considerado o
pai da epidemiologia, concluiu pela existência
de uma associação causal entre a doença e
o consumo de água contaminada por fezes
de doentes [...]” (ROUQUAYROL, M.,2006).
Figura 2 - Mapa de Londres – Bairro SOHO – Fonte da Broad Street
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local
“ConaiAssociativa
2011 – Foz– do
Iguaçu”]
Figura [ex:
1 - Análise
Relação
Causa-Efeito – John Snow
6
Mineração de Dados
Métodos Descritivos
“Os cientistas estão em busca da resposta para
a alta incidência da síndrome de Li-Fraumeni. A
explicação encontrada é que o gene com a
mutação, que dá origem à síndrome, foi
disseminado por um tropeiro português que
circulou pelas regiões Sul e Sudeste no século
XVIII” – Revista IstoÉ – Mais Vulnerável ao
Câncer – Edição 2156 – 04.Mar.2011
Figura 3 - Mais Vulnerável ao Câncer – Fonte: Revista IstoE
7
Mineração de Dados
Métodos Preditivos
Como serão os custos assistenciais do próximo ano?
Será que trata-se de um caso de altíssimo custo?
Nessa conta, existe alguma impropriedade?
Como será o comportamento desse contrato nos próximos 6 meses?
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
8
Metodologia – Preditiva
Aprendizagem de Máquina
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
9
Detecção de Impropriedades em Contas Médicas
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
10
Detecção de Impropriedades em Contas Médicas
Aprendizagem de Máquina
Algoritmo Baseado em Regras
Nr.Atrib1
1 Sim
2 Não
3 Sim
4 Não
5 Não
6 Não
7 Sim
Atrib2 Atrib3 Classe
Grande 100 Não
Pequeno 60 Não
Médio
300 Não
Grande
50 Não
Médio
150 Sim
Pequeno 400 Não
Médio
250 Não
Algoritmo
Aprendizagem
Indução
Modelo
Aprendizagem
Conjunto de Treinamento
Nr.Atrib1
8 Sim
9 Não
10 Sim
11 Não
12 Sim
Atrib2 Atrib3 Classe
Grande
300 ?????
Médio
60 ?????
Pequeno
40 ?????
Pequeno
450 ?????
Grande
350 ?????
Modelo
Regras
Descobertas
Dedução
Se Atrib3 > 100 e
Atrib2 = Médio Então Não
Conjunto de Teste
Detecção de Impropriedades em Contas Médicas
Algoritmo Baseado em Regras
Procedimentos Cirúrgicos = 26
Atributo Classe: Sem Auditoria e Com Auditoria
Base de dados – Unimeds do Estado do Paraná
Algoritmo Ripper
Regras Descobertas
se <condição> então “sem Auditoria”
Regras Avaliadas e Selecionadas
se valor hos entre 200 e 300 então
“sem Auditoria”
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
12
Detecção de Impropriedades em Contas Médicas
Fluxo do Processo
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
13
Detecção de Impropriedades em Contas Médicas
Exemplos:
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
14
Predição de Casos de Altíssimo Custo
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
15
Predição de Casos de Altíssimo Custo
Regra de Associação
Dado um conjunto de objetos, cada um associado com sua própria linha
do tempo de eventos, encontrar regras que predigam fortes dependência
sequenciais entre diferente eventos.
Regras são formadas descobrindo inicialmente padrões. As ocorrências de
eventos são governadas pelas restrições temporais.
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
16
Predição de Casos de Altíssimo Custo
Descobertas de Padrões Sequenciais
Se A então B, desde que A tenha ocorrido em
Até
X dias e Yaohoras
Título da Apresentação [ex:
“Ressarcimento
SUS”] antes de B
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
17
Predição de Casos de Altíssimo Custo
Algoritmo
Nº de pacientes = 195 Casos de altíssimo custo
Eventos Realizados no Período de 2006 a 2011
Base de dados – Unimeds do Estado do Paraná
Algoritmo ChronoAssoc
Regras Descobertas
Exame A
Exame B
Procedimento
Consulta P.S.
Regras Avaliadas e Selecionadas
Exame A
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
Exame B
Procedimento
Consulta P.S.
18
Predição de Casos de Altíssimo Custo
Fluxo do Processo
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
19
Predição de Casos de Altíssimo Custo
Fluxo do Processo
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
20
Demonstração
Detecção de
Impropriedades
em Contas Médicas
Título da Apresentação [ex: “Ressarcimento ao SUS”]
Evento /Local [ex: “Conai 2011 – Foz do Iguaçu”]
Predição de Casos de
Altíssimo Custo
21
Obrigado!
Marcelo Rosano Dallagassa
[email protected]
www.unimed.coop.br/parana
22