Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.espe.edu.ec/handle/21000/13736
Título : Desarrollo de un modelo predictivo para determinar el impacto económico en el pago del seguro de salud del ISSFA
Director(es): Díaz Zuñiga, Magi Paúl
Autor: Anasi Suntasig, Karina Isabel
Carrazco Cóndor, Ana María
Palabras clave : INGENIERÍA DE SOFTWARE
MINERÍA DE DATOS
REDES NEURONALES
SEGUROS DE SALUD (ISSFA)
Fecha de publicación : 2017
Editorial: Universidad de las Fuerzas Armadas ESPE. Maestría en Gestión de Sistemas de Información e Inteligencia de Negocios.
Citación : Anasi Suntasig, Karina Isabel y Carrazco Cóndor, Ana María (2017). Desarrollo de un modelo predictivo para determinar el impacto económico en el pago del seguro de salud del ISSFA. Maestría en Gestión de Sistemas de Información e Inteligencia de Negocios. Universidad de las Fuerzas Armadas ESPE. Matriz Sangolquí.
Abstract: La Dirección del Seguro de Salud del ISSFA gestiona los procesos para la prestación del Servicios de Salud, uno de ellos corresponde a la Facturación médica, mediante el proceso de “Pertinencia y Liquidación de Servicios de Salud” se realizan los pagos a los prestadores de salud. En este contexto, se almacenan grandes volúmenes información que requieren análisis a fin de ofrecer valor agregado al ISSFA. Esta investigación presenta el desarrollo de un modelo predictivo para determinar el impacto económico en el pago del seguro de salud del ISSFA en enfermedades músculo - esqueléticas y conocer que factores son influyentes para que un afiliado sea propenso a padecerlas. Con la metodología de minería de datos CRISP, se identifican: los objetivos del negocio y de minería de datos, evaluación inicial de herramientas y técnicas; en la segunda fase se realiza la exploración de los datos y verificación de calidad; en la fase de preparación de los datos se selecciona el conjunto inicial de datos, criterios de exclusión; en la fase de construcción se realiza la integración de datos para definir el conjunto final. Con la herramienta RapidMiner se construyen los modelos: regresión lineal, máquina de vector de soporte y redes neuronales para la predicción del valor a pagar, mientras que para determinar la combinación de factores de una enfermedad se utiliza al árbol de decisión; se evalúan los modelos en función de la tasa de error, porcentaje de precisión entre otros y finalmente, realiza el análisis de resultados contrastándolo con el presupuesto asignado por servicio de salud, resultando ser la técnica de Regresión lineal la más óptima.
URI : http://repositorio.espe.edu.ec/handle/21000/13736
Aparece en las colecciones: Maestría en Gestión de Sistemas de Información e Inteligencia de Negocios

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
T-ESPE-057813.pdfTRABAJO DE TITULACIÓN3.23 MBAdobe PDFVisualizar/Abrir
T-ESPE-057813-D.pptxDEFENSA8.91 MBMicrosoft Powerpoint XMLVisualizar/Abrir
T-ESPE-057813-R.pdfRESUMEN195.92 kBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.