Presentación dominio de salud de aplicación orientada a BI.

1. DIANA BENAVIDES JORGE GUÍO Aplicaciones en contextos de granescala: Dominio de salud Rework Prevention Tool

2. Rework Prevention Tool Data Mining to Predict and Prevent Errors in Health InsuranceClaimsProcessing MohitKumar, RayidGhani, Zhu-SongMei AccentureTechnologyLabs Chicago, IL, USA mohit.x.kumar, rayid.ghani, zhu-song.mei@accenture.com Presentedon: ACM SIGKDD Conference 2010, Washington. http://www.kdd.org/kdd/2010/ http://videolectures.net/kdd2010_kumar_dmppeh/ http://www.kdd.org/

4. El proveedor de servicios envía una solicitud de pago a la aseguradora en salud (EPS).

6. 5.000 solicitudes de pago al día, para 3’500.000 clientes. Se procesan 200.

10. Generalización: Fácilmente implementable en las aseguradoras en salud: modelo de datos universal, que cubre gran cantidad de reglas de re-work.

11. Exactitud: Reportar solicitudes de pago sospechosas exitosamente, y mejor a medida que pasa el tiempo: se optimizan las predicciones para las de mayor confianza.

12. Explicaciones: Habilidad para sustentar el por qué de la clasificación de la solicitud es determinada como sospechosa: UI.

13. Adaptabilidad: A cambios en legislaciones, contratos, normas: feed-back desde la UI.** A través de clasificación binaria mediante SVM: confidence score **

15. FeatureConstruction: Hay cuatro tipos de información en cada solicitud: información del paciente, información del proveedor, encabezado de la solicitud, detalle de la solicitud (por cada procedimiento). Creación de nuevos atributos importantes.

17. ExplanationGeneration: Influencia de atributos: peso del atributo según SVM * valor. Se muestra en la UI esta influencia.

18. Userfeed-back:

19. Feed-back de la solicitud: Binario, por categoría o mediante texto.

20. Featurefeed-back: Resaltar o desmarcar atributos mostrados en UI.

21. User interface

24. RelationalDatabases

25. User Interfaces

27. Métrica: en base a precisión para los top 10: Aseguramiento de exactitud del modelo, puesto que los datos con que se analiza están sesgados hacia re-work(en la vida real es del 2-5%).

28. Pruebas con reducción de atributos.

29. Prueba de utilidad de datos más recientes vs. datos históricos (usando series de tiempo).

30. Pruebas con Active Learning.

32. Ranking.

33. Multi-InstanceLearning.

34. GenericClaimsRework Data-Model.

35. ClaimsWorkflowIntegration.

36. ExecutiveDashboard.

37. Extensión a otros dominios de aseguradoras: reducir necesidad (y costos) de correcciones.

38. Integración con múltiples canales para enviar alertas a auditores y/o ejecutivos (e-mail, celular…).