Estimación del costo monetario de una hospitalización en una empresa de medicina prepagada mediante algoritmos de machine learning

Abstract

El presente estudio tiene como objetivo desarrollar un modelo predictivo utilizando técnicas de Big Data y machine learning ML para estimar los costos de reclamaciones hospitalarias en el sector de medicina prepagada. La precisión en la estimación de costos hospitalarios es esencial para una gestión eficaz en empresas de medicina prepagada. Los métodos tradicionales, basados en reglas fijas y datos históricos, suelen carecer de la flexibilidad necesaria para adaptarse a las complejidades y variaciones del entorno sanitario. El enfoque de nuestro estudio se centra en la recopilación de datos históricos de reclamaciones y el preprocesamiento de estos para su análisis. Los métodos utilizados incluyen regresión lineal, Ridge y Lasso, además de un análisis de componentes principales PCA y una comparación con modelos avanzados de aprendizaje. Tras evaluar diversos modelos, se determinó que la regresión lineal con selección de variables importantes y transformación logarítmica ofreció la mejor precisión en la predicción de costos. Los resultados obtenidos con PyCaret mostraron que modelos como LightGBM y Gradient Boosting proporcionaron métricas de error más bajas y mayor precisión predictiva, sugiriendo que el uso de técnicas de aprendizaje automático más avanzadas puede mejorar significativamente las predicciones. Se recomienda que la compañía continúe experimentando con estos modelos, capturando más datos relevantes para optimizar su capacidad predictiva y mejorar la gestión de recursos.