Aprendizado de máquina para detecção de comportamento fraudulento em dados simulados do Sistema Odontológico do SUS

• Ano de defesa: 2017
• Autor(a) principal: Araújo, Ênnyo José Barros de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual da Paraíba; Pró-Reitoria de Pós-Graduação e Pesquisa - PRPGP; Brasil; UEPB; Programa de Pós-Graduação Profissional em Ciência e Tecnologia em Saúde - PPGCTS
• Palavras-chave em Português: Aprendizado de máquina; Detecção de fraude; Sistemas de auditoria; Sistemas de saúde; Machine Learning; Fraud Detection; Healhy System; CIENCIAS DA SAUDE::MEDICINA
• Link de acesso: http://tede.bc.uepb.edu.br/jspui/handle/tede/3600

O Sistema Unificado de Saúde do Brasil (SUS) tem um dos maiores programas de assistência odontológica gratuita do mundo. O governo federal, via os seus entes federados, disponibiliza tratamento odontológico a 70% da população brasileira. Mesmo com números tão expressivos, esse sistema ainda possui muitas iniquidades e sofre de um problema endêmico no Brasil, a corrupção, neste caso, em forma de fraude. Estudos indicam que a fraude é responsável por até 40% de desperdícios de recursos em instituições de saúde, trazendo prejuízos financeiros enormes, sobretudo penalizando quem mais necessita da assistência médica, a população de baixa renda. Ferramentas de mineração de dados podem revelar padrões incognoscíveis para seres humanos, mas relativamente fáceis de encontrar para uma máquina treinada. Detectar e eliminar a fraude não é um problema trivial, requer tecnologias, profissionais especialistas e ferramentas. Neste trabalho utilizou- se aprendizado de máquina em dados simulados de atendimentos odontológicos seguindo o padrão o SUS, para separar os que tem indícios de fraude. Foram avaliados os algoritmos Isolation Forest, K-Nearest Neighbors e Mahalanobis Distance, e em todos os testes houve sucesso em separar os clusters de dados normais dos anômalos, demonstrando a possibilidade de utilização dessas ferramentas na detecção de fraudes de forma eficiente.