مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

تشخیص تقلب در بیمه درمان تکمیلی با استفاده از الگوریتم‌های شبکه عصبی

نوع مقاله : مقاله پژوهشی

نویسندگان
معصومه اسماعیلی 1
محمد ملکی نیا 2
علیرضا پورابراهیمی 3
1 دانش آموخته دکتری مدیریت فناوری اطلاعات شاخه کسب و کار هوشمند، گروه مدیریت، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد کیش،کیش، ایران.
2 عضو هیات علمی گروه مدیریت، دانشکده مدیریت، دانشگاه آزاد اسلامی تهران جنوب، تهران، ایران.
3 استادیار گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد کرج، کرج، ایران.
10.87453/bumara.2025.372303.4843
چکیده
تقلب در مطالبات بیمه درمان تکمیلی، چالشی بزرگ است که منجر به زیان‌های مالی قابل توجه و تضعیف اعتماد عمومی می‌گردد. در این پژوهش، یک چارچوب جامع برای شناسایی تقلب با استفاده از الگوریتم‌های شبکه عصبی ارائه شده است. این چارچوب از سه معماری شبکه عصبی بهره می‌برد: الف) پرسپترون چندلایه (MLP)، ب) شبکه عصبی عمیق (DNN) پیاده‌سازی‌شده با Keras، و ج) شبکه حافظه بلندمدت (LSTM). داده‌های خام از منابع مختلف شامل اطلاعات بیمه‌نامه‌ها، بیمه‌شدگان، پرونده‌های خسارت، فهرست بیماری‌ها و اطلاعات شعب جمع‌آوری و پس از آن با مراحل پاک‌سازی، تبدیل، نرمال‌سازی و حذف داده‌های پرت (با استفاده از روش فاصله بین چارکی یا IQR) پیش‌پردازش شدند. مدل‌ها با استفاده از روش اعتبارسنجی متقاطع K-تایی و معیارهایی نظیر دقت، ماتریس سردرگمی، دقت (Precision)، بازخوانی (Recall)، امتیاز F1 و ROC-AUC  ارزیابی شدند. نتایج تجربی نشان دادند که همه مدل‌ها دقت بسیار بالایی (در حدود ۹۹.۹٪) دارند و این موضوع اثبات می‌کند که سیستم‌های مبتنی بر شبکه عصبی قادر به تفکیک قابل‌اعتماد میان ادعاهای مشروع و جعلی هستند. این سیستم پیشنهادی می‌تواند مسیر را برای نظارت لحظه‌ای مؤثرتر بر تقلب در صنعت بیمه هموار کند. این مدل‌ها دقت بسیار بالایی در شناسایی تقلب‌ها داشتند و می‌توانند در کاربردهای عملی و دنیای واقعی به‌طور مؤثر به کار گرفته شوند. نتایج این تحقیق نشان‌دهنده توانایی بالای این مدل‌ها در پردازش داده‌های پیچیده و غیرخطی است و این الگوریتم‌ها می‌توانند به عنوان راه‌حل‌های مؤثری برای تشخیص تقلب در بیمه‌های درمان تکمیلی و سایر سیستم‌های مشابه به کار روند. در نتیجه، این تحقیق گامی مهم در جهت توسعه مدل‌های هوشمند برای شناسایی تقلب در سیستم‌های بیمه‌ای است.
کلیدواژه‌ها
کشف تقلب
درمان تکمیلی
بیمه
شبکه عصبی
داده کاوی
شبکه عصبی پرسپترون
شبکه عصبی باور عمیق
شبکه عصبی بازگشتی

موضوعات

عنوان مقاله English

Fraud Detection in Supplementary Health Insurance Using Neural Network Algorithms

نویسندگان English

Masoumeh Esmaeili 1
Mohammad Malekinia 2
Alireza Pour Ebrahimi 3
1 PhD in Information Technology Management, Smart Business Branch, Department of Management, Faculty of Management, Islamic Azad University, Kish Branch, Kish, Iran.
2 Faculty Member, Department of Management, Faculty of Management, Islamic Azad University, South Tehran, Tehran, Iran.
3 Assistant Professor, Department of Industrial Management, Faculty of Management, Islamic Azad University, Karaj Branch, Karaj, Iran.
چکیده English

Fraud in supplementary health insurance claims is a major challenge that leads to significant financial losses and undermines public trust. In this study, a comprehensive framework for fraud detection using neural network algorithms is presented. This framework utilizes three neural network architectures: a) Multilayer Perceptron (MLP), b) Deep Neural Network (DNN) implemented with Keras, and c) Long-Term Memory Network (LSTM). Raw data were collected from various sources including insurance policy information, insureds, claim files, disease lists, and branch information and then preprocessed with cleaning, transformation, normalization, and outlier removal (using the interquartile range or IQR method). The models were evaluated using the K-means cross-validation method and metrics such as accuracy, confusion matrix, precision, recall, F1 score, and ROC-AUC. Experimental results showed that all models have very high accuracy (about 99.9%), proving that neural network-based systems are capable of reliably distinguishing between legitimate and fraudulent claims. The proposed system can pave the way for more effective real-time fraud monitoring in the insurance industry. These models had very high accuracy in detecting fraud and can be effectively applied in practical and real-world applications. The results of this research indicate the high ability of these models to process complex and nonlinear data, and these algorithms can be used as effective solutions for fraud detection in complementary health insurance and other similar systems. Consequently, this research is an important step towards the development of intelligent models for fraud detection in insurance systems.

کلیدواژه‌ها English

Fraud detection
complementary therapy
insurance
neural network
data mining
perceptron neural network
deep belief neural network
recurrent neural network
احمدی، محمدمهدی (1402). ارائه الگوریتمی مبتنی بر گراف برای کشف تقلب در بیمه درمان، پایان نامه کارشناسی ارشد دانشگاه تهران، پردیس دانشکده‌های فنی - دانشکده علوم مهندسی.
اسدی نژاد، نرگس، عباسی، علی، پورحسین مسعود، یزدانی جمشید (1398). الگوی تصادفات ساختگی در مرکز پزشکی قانونی استان مازندران در سال‌های 95-1390. مجله علمی پزشکی قانونی.. 25(4 (مسلسل 91)) :201-207.
اکبرالسادات، سیدمجید و اسماعیل پور قوچانی، بابک (1401). روری بر روشهای کشف تقلب بیمه و بانک با استفاده از هوش مصنوعی، چهارمین همایش ملی مدیریت دانش و کسب و کارهای الکترونیکی با رویکرد اقتصاد مقاومتی، مشهد.
بهرامی، بهاره و محقق، عارفه (1401). زنجیره بلوکی، پاسخگویی و کشف تقلب در شرکت های بیمه، چهارمین همایش ملی تحقیقات میان رشته ای در مدیریت و علوم انسانی.
ذبیحیان، مینا و بیات، نیلوفر (1401). بررسی یک معماری مبتنی بر بلاک چین برای تشخیص تقلب در مدارک درمانی، اولین کنفرانس ملی تحول دیجیتال، بانک و بیمه،تهران.
رحیم خانی، پریسا و منطقی پور، مهناز (1401). مروری بر انواع روش های کشف تقلب مبتنی بر داده کاوی در رشته بیمه های درمان، کنفرانس ملی آخرین دستاوردهای مهندسی داده و دانش و محاسبات نرم،شهرکرد.
رفیق دوست، احمد، مرضیه فریدی، باقری، احمد (1400). تشخیص تقلب بیمه با استفاده از الگوریتم خوشه بندی و شبکه عصبی، اولین کنفرانس ملی بهینه سازی سیستمهای تولیدی و خدماتی،رودسر.
غفاری، مهدی (1402). کاربرد یادگیری ماشینی در تشخیص تقلب؛ مورد بیمه درمان تکمیلی در ایران، پایان نامه کارشناسی ارشد دانشگاه علامه طباطبائی.
فارسیجانی، مهرناز (1401). ارائه مدلی برای شناسایی تقلب در مسیر درمان و تجویز داروهای بیماران کلیوی با استفاده از تکنیک های داده کاوی، پایان نامه کارشناسی ارشد دانشگاه تربیت مدرس، دانشکده مهندسی صنایع و سیستم‌ها.
Amponsah, Anokye Acheampong, Adebayo, Felix Adekoya, Benjamin Asubam, Weyori. (2022). A novel fraud detection and prevention method for healthcare claim processing using machine learning and blockchain technology, Decision Analytics Journal 4, 100122. 1-12.
George, K., & Patatoukas, P. N. (2021). The Blockchain Evolution and Revolution of Accounting. In Information for Efficient Decision Making: Big Data, Blockchain and Relevance (pp. 157-172).
Gera, J. R. Palakayala, V. K. K. Rejeti and T. Anusha, (2020). "Blockchain Technology for Fraudulent Practices in Insurance Claim Process,", 5th International Conference on Communication and Electronics Systems (ICCES). 1068-1075
Hamid, Z., Khalique, F., Mahmood, S., Daud, A., Bukhari, A., & Alshemaimri, B. (2024). Healthcare insurance fraud detection using data mining. BMC Medical Informatics and Decision Making, 24. https://doi.org/10.1186/s12911-024-02512-4.
Hong, B., Lu, P., Xu, H., Lu, J., Lin, K., & Yang, F. (2024). Health insurance fraud detection based on multi-channel heterogeneous graph structure learning. Heliyon, 10(9), e30045. https://doi.org/10.1016/j.heliyon.2024.e30045.
Jaiswal, A. Sharma, and S. K. Yadav, K. (2022). Deep feature extraction for document forgery detection with convolutional autoencoders,” Comput. Electr. Eng., vol. 99, p. 107770, doi: https://doi.org/10.1016/j.compeleceng.2022.107770.
Kar, A.,  Navin, L, (2020). Diffusion of blockchain in insurance industry: An analysis through the review of academic and trade literature, Telematics and Informatics, 58(1). 11-16
Lin, Zhao, Huang, L. Z. C., A. et al. (2021). Deep Learning-Based Forgery Attack on Document Images,” IEEE Transactions on Image Processing, Volume: 30.
Lu, J., Lin, K., Chen, R. et al. (2023). Health insurance fraud detection by using an attributed heterogeneous information network with a hierarchical attention mechanism. BMC Med Inform Decis Mak 23, 62 https://doi.org/10.1186/s12911-023-02152-0.
Nabrawi, E., & Alanazi, A. (2023). Fraud Detection in Healthcare Insurance Claims Using Machine Learning. Risks, 11(9), 160. https://doi.org/10.3390/risks11090160.
Naoufel, N. S. W. Syed Sadaf Ali, Iyyakutti Iyappan Ganapathi, Ngoc-Son Vu, Syed Danish A. (2022). Image Forgery Detection Using Deep Learning by Recompressing Images,” Electronics, 11(3). 40.
Poddar, J. V. Parikh, and S. K. Bharti, K. (2020). Offline Signature Recognition and Forgery Detection using Deep Learning,” Procedia Comput. Sci., vol. 170, pp. 610–617,
Secinaro, S., Dal Mas, F., Brescia, V., & Calandra, D. (2021). Blockchain in the accounting, auditing and accountability fields: a bibliometric and coding analysis. Accounting, Auditing & Accountability Journal
Shaeiri, Z. and Kazemitabar, S. J. (2020). Fast Unsupervised Automobile Insurance Fraud Detection Based on Spectral Ranking of Anomalies. International Journal of Engineering, 33(7). 1240-1248..
Sharma, A. (2020). Analysing the applicability of blockchain accounting and its impact on financial reporting. Sumedha Journal of Management, 9(2). 1-13.
Ramandi, S, Niakan L, Rajaee Harandi S, Asheghi H. (2020). Fraud Detection in Supplementary Health Insurance and Ways to Compete. Iran J Health Insur; 3 (3) :178-187.
Cheng, F., Yan, C., Liu, W., & Lin, X. (2024). Research on medical insurance anti-gang fraud model based on the knowledge graph. Engineering Applications of Artificial Intelligence, 134, 108627. https://doi.org/10.1016/j.engappai.2024.108627.
Li, Jie ; Liu, Jiaying ; Liu, Xin ; Yang, Fang ; Xu, Yong (2022). A medical insurance fraud detection model with knowledge graph and machine learning, Proceedings of the SPIE, Volume 12260, id. 1226023 10 pp.
Hancock, J.T., Bauder, R.A., Wang, H. et al. (2023). Explainable machine learning models for Medicare fraud detection. J Big Data 10, 154  https://doi.org/10.1186/s40537-023-00821-5.