E-mergency room: modelagem preditiva de despesas assistenciais em saúde suplementar utilizando técnicas de machine learning e deep learning (2024)
- Authors:
- Autor USP: AREIAS, CAIO ALEXANDRINO COSTA - FEA
- Unidade: FEA
- Sigla do Departamento: EAC
- DOI: 10.11606/D.12.2024.tde-22102024-161236
- Subjects: ATUÁRIA; APRENDIZADO COMPUTACIONAL; APRENDIZAGEM PROFUNDA; SAÚDE SUPLEMENTAR
- Keywords: Actuarial science; Deep learning; Machine learning; Modelagem preditiva; Predictive models; Supplementary health
- Language: Português
- Abstract: Com o advento da Covid-19 e consequente aumento da sinistralidade das operadoras, o ambiente de saúde suplementar no Brasil tornou-se propício para o emprego de ferramentas mais complexas de análise e modelagem de dados. Nesse sentido, o objetivo deste trabalho foi aplicar diferentes modelos preditivos de Machine Learning e de Deep Learning, como o Support Vector Machine (SVM), o XGBoost, o Random Forest (RF) e o Recurrent Neural Network (RNN), para a projeção de despesas assistenciais das operadoras de saúde, com o intuito de avaliar se tais modelos apresentariam melhores desempenhos frente a técnicas mais tradicionais, como regressões e séries temporais. Para tal, foram gerados cenários de predições nas bases de dados de procedimentos hospitalares e ambulatoriais disponibilizadas pela ANS, entre os anos de 2015 e 2022, em dois panoramas: (i) real, e; (ii) contrafractual, em que se avaliou impactos supondo a inexistência da pandemia no ano de 2020. Como resultado, para o panorama real, o modelo XGBoost apresentou o melhor desempenho, com melhores ajustes em 32,2% dos cenários considerados no período de 2015-2022. Para o contrafactual, os modelos que apresentaram melhores ajustes foram o RNN e o SVM, cada um obtendo melhores ajustes em 22,3% dos cenários no período de análise. Ressalta-se que, até o momento, não foram identificados estudos que tratem sobre a utilização de modelos projetivos de Machine Learning e Deep Learning nos custos do sistema de saúde brasileiro. Comocontribuição e impactos adicionais, espera-se que os estudos realizados sirvam de base para tomadas de decisão pelos diversos agentes do setor de saúde, como operadoras, beneficiários e reguladores, especialmente no que tange à construção e desenvolvimento de planos de saúde, em que se espera apreçamentos mais fidedignos e que se encaixem às necessidades de oferta e demanda, e à continuidade dos negócios, em que se deseja estimativas de reservas mais precisas e uma alocação ótima de recursos
- Imprenta:
- Data da defesa: 09.08.2024
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
AREIAS, Caio Alexandrino Costa. E-mergency room: modelagem preditiva de despesas assistenciais em saúde suplementar utilizando técnicas de machine learning e deep learning. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2024. Disponível em: https://teses.usp.br/teses/disponiveis/12/12136/tde-22102024-161236/. Acesso em: 26 mar. 2026. -
APA
Areias, C. A. C. (2024). E-mergency room: modelagem preditiva de despesas assistenciais em saúde suplementar utilizando técnicas de machine learning e deep learning (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://teses.usp.br/teses/disponiveis/12/12136/tde-22102024-161236/ -
NLM
Areias CAC. E-mergency room: modelagem preditiva de despesas assistenciais em saúde suplementar utilizando técnicas de machine learning e deep learning [Internet]. 2024 ;[citado 2026 mar. 26 ] Available from: https://teses.usp.br/teses/disponiveis/12/12136/tde-22102024-161236/ -
Vancouver
Areias CAC. E-mergency room: modelagem preditiva de despesas assistenciais em saúde suplementar utilizando técnicas de machine learning e deep learning [Internet]. 2024 ;[citado 2026 mar. 26 ] Available from: https://teses.usp.br/teses/disponiveis/12/12136/tde-22102024-161236/ - Reinsurance in the supplementary health: a counterfactual study on the impacts of reinsurance treaties adoption by healthcare plans operators in Brazil
- O resseguro na saúde suplementar: um estudo contrafactual sobre os impactos da adoção de tratados de resseguros por operadoras de planos de saúde no Brasil
- O resseguro na saúde suplementar: um estudo contrafactual sobre os impactos da adoção de tratados de resseguros por operadoras de planos de saúde no Brasil
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
