E-mergency room: modelagem preditiva de despesas assistenciais em saúde suplementar utilizando técnicas de machine learning e deep learning

• Ano de defesa: 2024
• Autor(a) principal: Areias, Caio Alexandrino Costa
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Deep learning; Machine learning; Actuarial science; Atuária; Modelagem preditiva; Predictive models; Saúde suplementar; Supplementary health
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/12/12136/tde-22102024-161236/

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. Como contribuição 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.