Reconstrução de métricas atuariais através do stacking de modelos de aprendizagem de máquina
DOI:
https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1095Palavras-chave:
Inteligência Artificial, Otimização de Processos, Saúde SuplementarResumo
Objetivo: Grande parte da saúde dos brasileiros é financiada pelos planos de saúde cujos reajustes têm sido motivo de questionamentos nos tribunais. Dada a dificuldade em se obter informações nem sempre disponíveis nos processos judiciais, para a reconstrução dos dados, elaboramos uma métrica por meio de técnicas de Deep Learning para obtermos tais informações. Método: Após analisar os dados obtidos através do Órgão Regulador, treinamos três diferentes algoritmos de aprendizagem supervisionada objetivando obter informações por meio de um problema de otimização. Utilizamos o método Lagrangiano Aumentado com o objetivo de incluir as restrições na função de custo e do Simulated Annealing para minimizá-la. Resultados: Consistente como era de esperar, o desempenho do empilhamento superou o desempenho dos aprendizados de base. Conclusões: Com os resultados obtidos foi possível obter as informações de custo médio por sinistro e frequência retroativos, buscados do “passado do plano de saúde”.
Referências
Chen T, Guestrin C. Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. 2016: 785-794.
Cortes C, Vapnik V. Support-Vector networks. Machine Learning. 1995; 20 (3): 273– 297.
Ganaie M, Hu M, et al. Ensemble deep learning: A review. arXiv preprint arXiv:2104.02395. 2021
Wolpert D H. Stacked generalization. Neural Networks. 1992; 5 (2): 241–259.
Breiman L. Stacked regressions. Mach. Learn. 1996; 24 (1): 49–64.
Abadi M, Agarwal A, Barham P, Brevdo E, Chen Z, Citro C, et al. TensorFlow: Large-scale machine learning on heterogeneous distributed systems. arXiv preprint arXiv:1603.04467. 2016.
Harris CR, Millman KJ, van der Walt SJ, Gommers R, Virtanen P, Cournapeau D, Wieser E, Taylor J, Berg S, Smith NJ, Kern R, Picus M, Hoyer S, van Kerkwijk MH, Brett M, Haldane A, Del Río JF, Wiebe M, Peterson P, Gérard-Marchant P, Sheppard K, Reddy T, Weckesser W, Abbasi H, Gohlke C, Oliphant TE. Array programming with NumPy. Nature. 2020 Sep;585(7825):357-362
Guo C, Berkhahn F. Entity embeddings of categorical variables. ArXiv, abs/1604.06737. 2016.
Kingma DP, Ba J. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. 2014.
Hestenes MR. Multiplier and gradient methods. Journal of optimization theory and applications. 1969; 4 (5): 303–320.
Powell MJ. A method for nonlinear constraints in minimization problems. Opti mization. 1969: 283–298.
Bohachevsky IO, Johnson ME, Stein M L. Generalized simulated annealing for function optimization. Technometrics.1986; 28 (3): 209–217.
Romeo F, Sangiovanni-Vincentelli A. A theoretical framework for simulated annealing. Algorithmica. 1991; 6 (1): 302–345.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Amaury de Souza Amaral, Jardel Marques Monti, Segundo Parra Milián
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
