Back to search

National and Kapodistrian University of Athens

Συγκέντρωση δαπανών σε ασφαλιστικές απαιτήσεις υγείας: ανάλυση δεδομένων και προγνωστική μοντελοποίηση

Abstract

dc:description

Η παρούσα διπλωματική εργασία εξετάζει το φαινόμενο της συγκέντρωσης κόστους στις ασφαλιστικές απαιτήσεις υγείας και τις επιπτώσεις του στην οικονομική ισορροπία των ασφαλιστικών οργανισμών. Στα σύγχρονα συστήματα υγείας, ένα μικρό ποσοστό ασφαλισμένων ευθύνεται για το μεγαλύτερο μέρος των συνολικών δαπανών υγειονομικής περίθαλψης, γεγονός που δημιουργεί σημαντικές προκλήσεις στη διαχείριση κινδύνου και στον σχεδιασμό ασφαλιστικών προϊόντων. Στόχος της μελέτης είναι η κατανόηση των βασικών παραγόντων που οδηγούν στη συγκέντρωση των δαπανών υγείας και η ανάπτυξη προγνωστικών μοντέλων ικανών να εντοπίζουν έγκαιρα τους ασθενείς υψηλού κόστους. Για τον σκοπό αυτό χρησιμοποιούνται διοικητικά δεδομένα ασφαλιστικών απαιτήσεων από το σύνολο δεδομένων Medicare Synthetic Public Use File (SynPUF), το οποίο παρέχεται από το Centers for Medicare & Medicaid Services (CMS) των Ηνωμένων Πολιτειών. Αρχικά αναπτύσσεται μια κανονικοποιημένη βάση δεδομένων μέσω αρχιτεκτονικής ETL (Extract, Transform, Load) για την αποτελεσματική οργάνωση και επεξεργασία των δεδομένων. Στη συνέχεια, πραγματοποιείται διερευνητική ανάλυση δεδομένων (Exploratory Data Analysis – EDA) με στόχο την κατανόηση των βασικών χαρακτηριστικών των δαπανών υγείας και τη διερεύνηση της σχέσης μεταξύ πολυνοσηρότητας και αυξημένων αποζημιώσεων. Στη συνέχεια εφαρμόζονται τρία προγνωστικά μοντέλα μηχανικής μάθησης – Logistic Regression, Random Forest και XGBoost – για την ταξινόμηση των ασφαλισμένων σε ομάδες υψηλού και χαμηλού κόστους. Τα μοντέλα αξιολογούνται μέσω δεικτών απόδοσης όπως precision, recall, F1-score και ROC-AUC. Τα αποτελέσματα δείχνουν ότι όλα τα μοντέλα παρουσιάζουν παρόμοια διακριτική ικανότητα, με ROC-AUC περίπου 0.77, ενώ το μοντέλο XGBoost ξεχωρίζει κατά κάποιον τρόπο από τα άλλα δύο μοντέλα και εμφανίζει την υψηλότερη ικανότητα εντοπισμού ασθενών υψηλού κόστους. Παρά τη σχετικά χαμηλή ακρίβεια (precision), τα μοντέλα επιτυγχάνουν υψηλά επίπεδα ανάκλησης (recall), γεγονός που τα καθιστά κατάλληλα για εφαρμογές διαστρωμάτωσης κινδύνου στον τομέα της υγείας. Τα ευρήματα της μελέτης υποδεικνύουν ότι η πολυνοσηρότητα αποτελεί έναν από τους σημαντικότερους παράγοντες πρόβλεψης υψηλών δαπανών υγειονομικής περίθαλψης. Επιπλέον, αναδεικνύεται η σημασία των προγνωστικών αναλυτικών εργαλείων για τη βελτίωση της διαχείρισης κινδύνου και τη διατήρηση της οικονομικής βιωσιμότητας των ασφαλιστικών οργανισμών. Η αξιοποίηση τεχνικών μηχανικής μάθησης σε δεδομένα ασφαλιστικών απαιτήσεων μπορεί να συμβάλει στη βελτίωση των μηχανισμών risk adjustment και στον σχεδιασμό πιο αποτελεσματικών στρατηγικών διαχείρισης υγειονομικών δαπανών.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • ΚΑΛΛΙΓΕΡΗΣ ΝΙΚΟΛΑΟΣ
  • KALLIGERIS NIKOLAOS

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, Greek, English

Identifiers

dc:identifier.*
Identifier
uoadl:5462414

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

ΚΑΛΛΙΓΕΡΗΣ ΝΙΚΟΛΑΟΣ; KALLIGERIS NIKOLAOS. Συγκέντρωση δαπανών σε ασφαλιστικές απαιτήσεις υγείας: ανάλυση δεδομένων και προγνωστική μοντελοποίηση. 2026. https://pergamos.lib.uoa.gr/uoa/dl/object/5462414