Μέθοδοι αναλυτικής των δεδομένων και στατιστικής μηχανικής μάθησης στην ανίχνευση της απάτης στην ασφάλιση υγείας

Αντωνοπούλου, Ουρανία; Antonopoulou, Ourania

dc.contributor.advisor	Μπερσίμης, Σωτήριος
dc.contributor.advisor	Bersimis, Sotiris
dc.contributor.author	Αντωνοπούλου, Ουρανία
dc.contributor.author	Antonopoulou, Ourania
dc.date.accessioned	2022-11-21T11:54:05Z
dc.date.available	2022-11-21T11:54:05Z
dc.date.issued	2022-09
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/14824
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/2246
dc.description.abstract	Η έκταση, η πιθανότητα και η πολυπλοκότητα της βιομηχανίας υγειονομικής περίθαλψης έχει προσελκύσει εκτεταμένη απάτη που έχει σημαντικό αντίκτυπο στην οικονομία. Οι δόλιες δραστηριότητες όχι μόνο συμβάλλουν στην αύξηση του προβλήματος των δαπανών της υγειονομικής περίθαλψης, αλλά επηρεάζουν επίσης την υγεία των ασθενών. Η πρόκληση στα τρέχοντα συστήματα εντοπισμού απάτης έγκειται κυρίως στην κατανόηση της επιβάρυνσης της χρηματικής απώλειας και των ασυνήθιστων συμπεριφορών. Παρά την εφαρμογή διαφόρων τεχνολογιών και στρατηγικών για την καταπολέμηση της απάτης, όπως προγραμματισμένοι, στοχευμένοι και τυχαίοι έλεγχοι, καταγγελίες και βιομετρικά συστήματα, η απάτη στην ασφάλιση συνεχίζει να αποτελεί μεγάλο πρόβλημα για τους περισσότερους παρόχους ασφάλισης υγείας. Σκοπός της παρούσας διπλωματικής εργασίας είναι να ευαισθητοποιήσει σχετικά με αυτόν τον σημαντικό τομέα το ευρύτερο κοινό αλλά και να καταδείξει την αναγκαιότητα για τους σχετικούς δημόσιους οργανισμούς και τις εταιρείες του χώρου της υγείας να επενδύσουν ένα σημαντικό μέρος του κεφαλαίου τους αλλά και του χρόνου τους στη σοφή αξιοποίηση των δεδομένων, τα οποία διατίθενται πλέον στον κόσμο, στην στατιστική μηχανική μάθηση, καθώς και σε τεχνικές προβλεπτικής αναλυτικής με σκοπό την μείωση της απάτης στην ασφάλιση υγείας. Αρχικά, δίνονται οι σχετικοί ορισμοί για την απάτη στην ασφάλισης υγείας καθώς και μία επισκόπηση του προβλήματος και των τρόπων και μορφών με τις οποίες αυτή εμφανίζεται. Στη συνέχεια, υπογραμμίζεται με διάφορα παραδείγματα απάτης στον τομέα της υγειονομικής περίθαλψης πόσο σημαντικό είναι το πρόβλημα. Επιπλέον, παρατίθενται και άλλοι τομείς εντοπισμού απάτης, οι οποίοι υποστηρίζονται με διάφορες μελέτες περιπτώσεων. Στη συνέχεια γίνεται μία διεξοδική αναζήτηση στη βιβλιογραφία για τις εφαρμογές της ανάλυσης δεδομένων και της στατιστικής μηχανικής μάθησης που έχουν χρησιμοποιηθεί μαζί με μελέτες περιπτώσεων. Έπειτα, αναφέρονται οι συνήθεις μέθοδοι μηχανικής μάθησης στον εντοπισμό της απάτης. Τέλος, επιλεγμένες μεθοδολογίες εφαρμόστηκαν σε πραγματικά δεδομένα προκειμένου να παρουσιαστεί μια ολοκληρωμένη μελέτη περίπτωσης με στόχο τη δημιουργία ενός μοντέλου που μπορεί να εντοπίσει με χαμηλότερο κόστος και δαπάνες δόλιους παρόχους στην ασφάλιση υγείας.	el
dc.format.extent	149	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Μέθοδοι αναλυτικής των δεδομένων και στατιστικής μηχανικής μάθησης στην ανίχνευση της απάτης στην ασφάλιση υγείας	el
dc.title.alternative	Data analytics and machine learning methods for health insurance fraud detection	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης	el
dc.description.abstractEN	The extent, probability, and complexity of the healthcare industry have attracted widespread fraud that has a significant impact on the economy; fraudulent activities not only contribute to the problem of increasing health care costs but also affect patient health; the challenge in current fraud detection systems lies mainly in understanding the burden of financial loss and unusual areas of behavior. Despite the implementation of various anti-fraud technologies and strategies, such as planned, targeted and random checks, complaints, and biometric systems, insurance fraud is still a major problem for most health insurance providers. The purpose of this thesis is to raise awareness of this important area among the general public and to demonstrate the need for relevant public bodies and health companies to invest a significant part of their capital and their time in the wise exploitation of the data now available in the world, statistical machine learning, as well as predictive analysis techniques to reduce health insurance fraud. Initially, the relevant definitions for health insurance fraud are given, and it is provided an overview of the problem and the ways and forms in which health insurance fraud occurs. Next, it is highlighted how important the problem is with various examples of healthcare fraud worldwide, and a presentation of punishments for health insurance fraud. In addition, other fraud detection areas are listed, supported by case studies. Then there will be a thorough search in the literature for the applications of data analytics and statistical machine learning that have been used along with case studies. At a later stage, the methods of machine learning in fraud detection that are commonly used are mentioned. Finally, selected methodologies were applied to real-world data in order to present a complete case study that aims to build a model that can detect fraudulent providers with lower costs and expenditures.	el
dc.contributor.master	Εφαρμοσμένη Στατιστική	el
dc.subject.keyword	Fraud	el
dc.subject.keyword	Health insurance fraud	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Data analytics	el
dc.subject.keyword	Fraud detection	el
dc.subject.keyword	Supervised methods	el
dc.subject.keyword	Unsupervised methods	el
dc.subject.keyword	Hybrid methods	el
dc.subject.keyword	Areas of fraud detection	el
dc.date.defense	2022-09-22

Αρχεία σε αυτό το τεκμήριο

Name:: Antonopoulou_mes19006.pdf
Μέγεθος:: 3.460Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα