Detección de Fraude en Salud con Aprendizaje Automático de Nueva Generación: Tendencias Actuales, Desafíos y Direcciones de Investigación Futuras
Autores: Razzaq, Kamran; Shah, Mahmood
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Detección de Fraude en Salud con Aprendizaje Automático de Nueva Generación: Tendencias Actuales, Desafíos y Direcciones de Investigación Futuras
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Sistemas de salud
Detección de fraudes
Aprendizaje automático
Preocupaciones sobre la implementación
Aprendizaje profundo
Enfoques híbridos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La creciente complejidad y tamaño de los sistemas de salud han hecho que la detección de fraudes sea cada vez más desafiante; sin embargo, la literatura actual carece de una visión holística de las últimas técnicas de aprendizaje automático (ML) con preocupaciones de implementación práctica. El presente estudio aborda esta brecha al resaltar la importancia del aprendizaje automático (ML) en la prevención y mitigación del fraude en el sector salud, evaluando los avances recientes, investigando las barreras de implementación y explorando dimensiones de investigación futuras. Para abordar aún más la investigación limitada sobre la evaluación del aprendizaje automático (ML) y enfoques híbridos, este estudio considera un amplio espectro de técnicas de ML, incluyendo ML supervisado, ML no supervisado, aprendizaje profundo y enfoques híbridos de ML como SMOTE-ENN, IA explicable, aprendizaje federado y aprendizaje en conjunto. El estudio también exploró su uso potencial para mejorar la detección de fraudes en conjuntos de datos desbalanceados y multidimensionales. Un hallazgo significativo del estudio fue la identificación de conjuntos de datos comúnmente empleados, como Medicare, la Lista de Individuos y Entidades Excluidos (LEIE) y conjuntos de datos de Kaggle, que sirven como base para evaluar modelos de aprendizaje automático (ML). Los hallazgos del estudio identifican de manera integral los desafíos de emplear aprendizaje automático (ML) en sistemas de salud, incluyendo la calidad de los datos, la escalabilidad del sistema, el cumplimiento normativo y las limitaciones de recursos. El estudio proporciona información práctica, como la interpretabilidad del modelo para permitir el cumplimiento normativo y el aprendizaje federado para el intercambio confidencial de datos, lo cual es particularmente relevante para los responsables de políticas, proveedores de salud y compañías de seguros que pretenden implementar una infraestructura de detección de fraudes robusta, escalable y segura. El estudio presenta un marco integral para mejorar la detección de fraudes en tiempo real en el sector salud a través de infraestructuras de aprendizaje automático (ML) auto-aprendizaje, interpretables y seguras, integrando avances teóricos con necesidades de aplicación práctica.
Descripción
La creciente complejidad y tamaño de los sistemas de salud han hecho que la detección de fraudes sea cada vez más desafiante; sin embargo, la literatura actual carece de una visión holística de las últimas técnicas de aprendizaje automático (ML) con preocupaciones de implementación práctica. El presente estudio aborda esta brecha al resaltar la importancia del aprendizaje automático (ML) en la prevención y mitigación del fraude en el sector salud, evaluando los avances recientes, investigando las barreras de implementación y explorando dimensiones de investigación futuras. Para abordar aún más la investigación limitada sobre la evaluación del aprendizaje automático (ML) y enfoques híbridos, este estudio considera un amplio espectro de técnicas de ML, incluyendo ML supervisado, ML no supervisado, aprendizaje profundo y enfoques híbridos de ML como SMOTE-ENN, IA explicable, aprendizaje federado y aprendizaje en conjunto. El estudio también exploró su uso potencial para mejorar la detección de fraudes en conjuntos de datos desbalanceados y multidimensionales. Un hallazgo significativo del estudio fue la identificación de conjuntos de datos comúnmente empleados, como Medicare, la Lista de Individuos y Entidades Excluidos (LEIE) y conjuntos de datos de Kaggle, que sirven como base para evaluar modelos de aprendizaje automático (ML). Los hallazgos del estudio identifican de manera integral los desafíos de emplear aprendizaje automático (ML) en sistemas de salud, incluyendo la calidad de los datos, la escalabilidad del sistema, el cumplimiento normativo y las limitaciones de recursos. El estudio proporciona información práctica, como la interpretabilidad del modelo para permitir el cumplimiento normativo y el aprendizaje federado para el intercambio confidencial de datos, lo cual es particularmente relevante para los responsables de políticas, proveedores de salud y compañías de seguros que pretenden implementar una infraestructura de detección de fraudes robusta, escalable y segura. El estudio presenta un marco integral para mejorar la detección de fraudes en tiempo real en el sector salud a través de infraestructuras de aprendizaje automático (ML) auto-aprendizaje, interpretables y seguras, integrando avances teóricos con necesidades de aplicación práctica.