پيش‌بيني هزينه‌هاي درماني سازمان بيمه سلامت ايران با استفاده از روش‌هاي مبتني بر يادگيري ماشين

Forecast of Medical Expenses of Iran Health Insurance Organization Using Machine Learning Based Methods

تأمين دقيق منابع مالي به‌منظور مديريت بهتر هزينه‌ها يكي از دغدغه‌هاي اصلي مديران سازمان‌ها است. سازمان بيمه سلامت ايران با عنوان يكي از بزرگ‌ترين سازمان‌هاي بيمه‌گر پايه از اين امر مستثنا نبوده و قطعاً براي تأمين منابع مالي و اخذ بودجه‌هاي لازم در حوزه درمان خود، نيازمند شناسايي و پيش‌بيني دقيق هزينه‌هاي درمان است. استفاده از روش‌هاي مبتني بر يادگيري ماشين به منظور ايجاد مدل پيش‌بيني هزينه‌هاي درمان ميتواند كمك بزرگي به تأمين دقيق­تر منابع مالي نمايد. روش بررسي: اين پژوهش با استفاده از داده‌هاي هزينه‌اي موجود در سامانه اسنادپزشكي استان­‌هاي سازمان طي سال‌­هاي 1385 تا 1398 و با استفاده از روش‌هاي SARIMAX و LSTM، مدل و روشي را براي پيش‌بيني هزينه‌هاي سازمان ارائه داده است. اين روش مي‌­تواند به پيش‌بيني دقيق‌­تر هزينه‌­هاي سازمان كمك نمايد. يافته‌ها: مشخص كردن روش با كارايي بهتر بر اساس شاخص MAPE به تنهايي جوابگوي ايجاد مدل مطلوب نبوده؛ لذا با ايجاد يك روش تركيبي و استفاده از معيار درصد تحقق پيش بيني، مدل مطلوب براي پيش بيني هزينه ها ارائه شده است. نتيجه‌گيري: با توجه به ضرورت داشتن روش علمي به منظور پيش بيني دقيقتر هزينه‌هاي سازمان، روش و مدل پيشنهاد شده توانست با حداقل خطا نسبت به خطاهاي پذيرفته شده در فرآيندهاي دستي، هزينه‌هاي سازمان را پيش‌بيني نمايد.

Accurate funding in order to better manage costs is one of the main concerns of managers. The Health Insurance Organization of Iran, as one of the largest basic insurance organizations, is no exception to this and certainly needs to identify and accurately predict the costs of treatment in order to provide financial resources and obtain the necessary funds in its field of treatment. Using machine learning methods to create a model for predicting treatment costs can be a great help in accurately financing. Methods: This study has provided a model and method for predicting the costs of the organization by using the cost data available in the medical documentation systems of the provinces of the organization during the years 2007 to 2020 and using the SARIMAX and LSTM methods. This method can help to more accurately predict the costs of the organization. Results: Determining the method with better performance based on the MAPE index alone did not meet the desired model; therefore, by creating a combined method and using the criterion of percentage of realization of the forecast, the optimal model for cost forecasting is presented. Conclusion: Due to the need for a scientific method to more accurately predict the costs of the organization, the proposed method and model was able to predict the costs of the organization with minimal errors compared to the errors accepted in manual processes