Una de las problemáticas que aborda la auditoría médica es el uso indebido y el abuso en las prestaciones de salud financiadas por las empresas de medicina prepaga. En el proceso de auditoría general se analizan las prestaciones facturadas de acuerdo a sus características técnicas y a la coherencia médica, análisis que es realizado en forma manual a fin de identificar en forma precoz estos desvíos. Debido a la gran cantidad de datos, en muchas oportunidades el análisis manual finaliza con resultados infructuosos y oportunidades perdidas.

Las tecnologías de la información vienen a dar respuesta a esta necesidad: a partir de un conjunto de datos que se conoce a priori, es posible utilizar un algoritmo que permita identificar, en base a sus características, otros casos que no son conocidos. Por tanto, a partir de las prestaciones facturadas es posible preseleccionar en forma predictiva aquellas que presentarán observaciones y/o recomendaciones médicas en la auditoría posterior. El método debe poder ser entrenado para cada prestador y prestación en periodos establecidos.

El propósito del trabajo es validar un algoritmo que, de acuerdo al aprendizaje supervisado, permita seleccionar aquellas prestaciones facturadas que tendrían observaciones, de modo de aproximar la performance obtenida en la auditoría manual en base a la precisión, la especificidad y la exactitud de la auditoría realizada en forma manual para detección de uso indebido o abuso en las prestaciones.

Para el algoritmo se utilizará un software open source para el diseño en base a tres conjuntos de datos: uno de aprendizaje (training set), uno para cross-validation (validation set) y otro de prueba (test set) para establecer una correspondencia entre las entradas y las salidas deseadas para el aprendizaje supervisado en un grupo de prestaciones ya analizadas con anterioridad y con distintas variables de análisis: prestador, facturación, fecha, institución e identificación final del caso. Para la validación se evaluará si el algoritmo es capaz, a partir de los datos entrenados, de generalizar el comportamiento aprendido sobre datos no vistos a priori en el test set.

Palabras Clave del Autor: Algoritmo; Procesamiento de Datos; Auditoría.