Reconstrução de métricas atuariais através do stacking de modelos de aprendizagem de máquina

Autores

  • Amaury de Souza Amaral Pontifícia Universidade Católica de São Paulo
  • Jardel Marques Monti Pontifícia Universidade Católica de São Paulo
  • Segundo Parra Milián Universidade Estadual Paulista

DOI:

https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1095

Palavras-chave:

Inteligência Artificial, Otimização de Processos, Saúde Suplementar

Resumo

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”.

Biografia do Autor

Segundo Parra Milián, Universidade Estadual Paulista

Instituto de Física Teórica – IFT - Universidade Estadual Paulista – São Paulo

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

20-07-2023

Como Citar

Amaral, A. de S., Monti, J. M., & Milián, S. P. (2023). Reconstrução de métricas atuariais através do stacking de modelos de aprendizagem de máquina. Journal of Health Informatics, 15(Especial). https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1095

Artigos Semelhantes

<< < 3 4 5 6 7 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.