601پ

A data mining model for fraud detection in medical centers of Social Security Organization (Case Study: Imam Reza Hospital of Urmia)

كارشناسي ارشد

مديريت فناوري اطلاعات

دانشگاه پيام نور تهران شمال

1393

1393/11/27

خوب

137ص.

يعقوبي ، طاهره

تاجفر ، اميرهوشنگ

112-117

health care, social security organization, data mining, fraud detection

در اين تحقيق به بيان كاربرد‌ روش‌هاي داده‌كاوي در كشف دانش از اطلاعات مراكز درماني پرداخته ميشود. در اين ميان، با توجه به اينكه در مراكز درماني ملكي سازمان تامين اجتماعي ارائه خدمات درماني به بيمه شدگان تامين اجتماعي رايگان بوده و هيچ گونه فرانشيزي از آنها دريافت نميشود، شناسايي كلاهبرداري برخي از افراد سودجو كه ممكن است اقدام به انجام تخلف‌هاي گوناگون در زمينه دريافت دارو از طريق نسخ دارويي نمايند، و يا شناسايي افرادي كه مراجعات غيرضروري زيادي به مراكز درماني دارند، ميتواند بسياري از هزينه‌هاي سازمان‌ را كاهش دهد. براي انجام اين مطالعه در ابتدا چارچوب شناسايي كلاهبرداري از طريق دسته‌بندي بيماران بر اساس ميزان مراجعات آنها طي يك بازه زماني مشخص طراحي گرديد كه در آن از رويكردي تركيبي متشكل از مراحل پيش‌پردازش، خوشه‌بندي و دسته‌بندي استفاده شده است، و براي هر كدام از مراحل ابزارهاي مناسبي بكار گرفته شدند. جهت انجام اين تحقيق مجموعه داده اي مربوط به اطلاعات بيماران بيمارستان امام رضا(ع) اروميه در بازه زماني يكساله مورد استفاده قرار ميگيرد و چارچوب شناسايي كلاهبرداري بر روي آنها بكار گرفته خواهد شد و پس از مراحل پيش پردازش داده ها و خوشه بندي آنها با استفاده از دو تكنيك Two-Step و K-Means، دسته بندي بر روي داده ها بر اساس ميزان مراجعات بيماران با استفاده از دو الكوريتم درخت تصميم و شبكه عصبي انجام خواهد شد. نتايج بدست آمده بر روي داده هاي آزمايشي نشان ميدهد كه در الگوريتم درخت تصميم، 75/92 درصد از كل بيماران و 31/78 درصد از بيماراني كه مراجعات زياد دارند و در الگوريتم شبكه عصبي 63/91 درصد از كل بيماران و 71/77 درصد از بيماراني كه مراجعات زياد دارند، به درستي دسته بندي ميشوند. ميتوان نتيجه گرفت پيش‌بيني ميزان مراجعات بيماران با دقت قابل قبولي صورت ميگيرد.

1395/6/27

34481