Healthcare Provider efficiency in Workers' Compensation - An approach with Machine Learning

O ramo de Acidentes de Trabalho é uma linha de negócio obrigatória e com bastante competitividade. Nos últimos anos, temos observado um crescimento na popularidade de "Data Science" e esta transformação passa também por atualizar os modelos e processos internos aplicados em seguros. Após um Acidente de Trabalho, é recomendado ao beneficiário um prestador clínico para acompanhar o seu tratamento. Usando várias variáveis sociais e patológicas modelamos custos médicos e de transportes, dependendo estes do prestador clínico principal do lesado. Esta metodologia permite que os gestores de sinistros tenham acesso não só à melhor recomendação como também a uma estimativa de custos. Os modelos de custo esperado e frequência foram desenvolvidos usando o algoritmo "Extreme Gradient Boosting" em vez de modelos mais tradicionais como os GLM. Este é um algoritmo de "Machine Learning" útil para previsão tanto em regressão como em classificação. Para problemas com muitos dados, este algoritmo tende a prever com maior precisão e rapidez. Para uma utilização eficaz do modelo as variáveis categóricas são codificadas em numéricas através de "target encoding". Isto é, as observações são agrupadas de acordo com os níveis da variável e com o ano de ocorrência, e é calculada a média da variável de resposta para cada nível com as observações dos 3 anos antecedentes. Por fim, para avaliar o valor acrescentado do modelo desenvolvido, calculamos os custos incorridos caso optássemos pela recomendação em prática. A nova recomendação consegue poupar até 1,7 milhões de euros por ano entre despesas médicas e de transportes.