Detecção de fraudes no setor de saúde: métodos de Inteligência Artificial (2024)
- Authors:
- Autor USP: ALMEIDA, FELIPE DE MELLO - ICMC
- Unidade: ICMC
- DOI: 10.11606/003226330
- Subjects: INTELIGÊNCIA ARTIFICIAL; REDES NEURAIS; APRENDIZADO COMPUTACIONAL
- Keywords: Detecção de fraudes; Medicare; Análise de Grafos
- Language: Português
- Abstract: A fraude na saúde tem um impacto significativo na economia do setor de saúde, aumentando os custos para os consumidores e diminuindo a qualidade do atendimento. Essas perdas são eventualmente repassadas aos consumidores na forma de prêmios de seguro mais altos, tornando a saúde suplementar menos acessível para muitos brasileiros. A detecção de fraudes tem sido um tópico de pesquisa ativo nas últimas décadas. Diversas técnicas têm sido exploradas para identificar e prevenir fraudes, incluindo métodos estatísticos e técnicas de detecção de anomalias. Recentemente, o foco tem se voltado para o uso de Inteligência Artificial (IA) para detecção de fraudes. A IA oferece várias vantagens sobre as técnicas tradicionais, incluindo a capacidade de processar grandes volumes de dados e a capacidade de identificar padrões complexos entre diferentes estruturas de dados. Estas estratégias de IA, quando implementadas corretamente, podem ajudar a reduzir significativamente as fraudes e desperdícios no setor de saúde, resultando em economia de custos e melhoria na qualidade do atendimento ao usuário final, sendo um tema mundial para os governos e empresas do setor. Apesar de ser um tema bem relevante, existem poucas pesquisas sobre a eficácia dos modelos de Inteligência Artificial na detecção de fraudes médicas. Apuraremos as fraudes cometidas pelos prestadores de serviços de saúde na falsificação de laudos de exames e em atendimentos falsos utilizando os dados públicos do sistema americano de saúde Medicare. Abordaremos os modelos de Machine Learning (Logistic Regression, Random Forest, XGBoost, LightGBM e Multi-Layer Perceptron) e os modelos Graph Neural Networks (GraphSAGE, GAT, HAN e HGT), pois são algoritmos amplamente utilizados na modelagem de detecção de fraudes em diversos setores. Desta forma, poderemos avaliar a eficácia dos modelos na detecção de fraudes noMedicare, e avaliar se essa eficácia poderá ser aprimorada com a adição de características derivadas de grafos, apresentando os resultados, análises e comparativos de performance em cada caso.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
ALMEIDA, Felipe de Mello. Detecção de fraudes no setor de saúde: métodos de Inteligência Artificial. 2024. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2024. Disponível em: https://doi.org/10.11606/003226330. Acesso em: 11 jan. 2026. -
APA
Almeida, F. de M. (2024). Detecção de fraudes no setor de saúde: métodos de Inteligência Artificial (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://doi.org/10.11606/003226330 -
NLM
Almeida F de M. Detecção de fraudes no setor de saúde: métodos de Inteligência Artificial [Internet]. 2024 ;[citado 2026 jan. 11 ] Available from: https://doi.org/10.11606/003226330 -
Vancouver
Almeida F de M. Detecção de fraudes no setor de saúde: métodos de Inteligência Artificial [Internet]. 2024 ;[citado 2026 jan. 11 ] Available from: https://doi.org/10.11606/003226330
Informações sobre o DOI: 10.11606/003226330 (Fonte: oaDOI API)
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Felipe_de_Mello_Almeida.p... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
