Iranian Journal of Health Insurance

fa شناسایی الگوی رفتار بیمه‌شدگان در مراجعات سرپایی با تکنیک‌های داده کاوی: مطالعه موردی بیمه سلامت استان بوشهر Identifying of Pattern Outpatient visit of insured person with Data Mining Techniques: Case Study of Health Insurance in Bushehr Province تخصصي Special پژوهشي Research <div style="text-align: justify;">مقدمه: با ظهور چالش‌های جدید این صنعت، تلاش برای یافتن راهکارهای نوین جهت بهبود کیفیت خدمات، مدیریت بهینه منابع، و افزایش رضایت بیمه‌شدگان اهمیت بیشتری پیدا کرده است. یکی از رویکردهای مهم در بهبود این حوزه، استفاده از تکنیک‌های داده‌کاوی به منظور شناسایی الگوهای رفتاری بیمه‌شدگان در مراجعات سرپایی به موسسات تشخیصی و درمانی می‌باشد. روش بررسی: مطالعه حاضر از نوع توصیفی- مقطعی بوده و مجموعه داده‌های آن متعلق به اداره کل بیمه سلامت استان بوشهر است. پس از آماده‌سازی داده‌ها، تحلیل با استفاده از نرم‌افزار SPSS Clementine۱۲.۰ انجام گردید. برای مدل‌سازی الگوریتم K-means در دو حالت جمعیت شناختی و مبتنی بر (Recency-Frequency- Monetary)RFM شامل مقادیر زمان شروع بیمه، تعداد دفعات مراجعه و ارزش نوع بیمه اجرا شد تا ارتباط بین متغیرهای مختلف بدست آید. نمونه‌گیری با روش سرشماری انجام گردید. جامعه آماری شامل اطلاعات کلیه مراجعات سرپایی بیمه شدگان تحت پوشش بیمه سلامت استان بوشهر به تعداد ۱,۴۲۰,۵۷۹ مراجعه در سال ۱۳۹۷ به مراکز تشخیصی درمانی است که با مراجعه مستقیم پژوهشگر به بانک اطلاعاتی اسناد پزشکی تهیه گردیده است. یافته‌ها: مقدار شاخص ریشه میانگین مربع انحراف از معیار برای خوشه بندی مبتنی برRFM و جمعیت شناسی به ترتیب ۲۱ و ۲۱.۶۵ است. و شاخص دان (Dunn) بهتر بودن خوشه بندی مبتنی بر RFM را تأیید کرد. الگوریتم K-Means مبتنی RFM، داده‌ها را در ۴ خوشه قرار داد به طوریکه ۴۴ درصد بیمه شدگان در خوشه یک، ۴ درصد در خوشه دو، ۲۲ درصد در خوشه سه و ۳۰ درصد در خوشه چهار قرار گرفتند. بر این اساس بیمه‌شدگان خوشه ۲ شامل زنان دارای بیمه سایر اقشار با ۴ درصد جمعیت به‌عنوان پرمراجعه‌ترین و خوشه ۳ شامل زنان دارای بیمه روستایی با ۲۲درصد جمعیت کم مراجعه ترین بیمه‌شدگان مشخص گردیدند. نتیجه‌گیری: مدل بدست آمده بیمه‌شدگان را در ۴ خوشه قرارداد. این تحلیل به سازمان این امکان را می‌دهد که الگوهای مراجعه برای هر یک از این خوشه‌ها را نسبت به متغیرهای سن، جنسیت و نوع بیمه شناسایی نماید. نقطه قابل بهبود در این حیطه حفظ منافع بیمه شدگان و ارائه خدمات شایسته و درخور برای هر خوشه است. نتایج نهائی حاصل شده نشان‌دهنده وجود الگوهای مطلوب به‌عنوان یک ابزارتصمیم گیری مناسب جهت افزایش رضایت‌مندی بیمه‌شدگان در سازمان مطرح می‌گردد. </div> <div style="text-align: justify;">Introduction: In recent decades, the field of health insurance has emerged as one of the vital components of the healthcare system, propelled by continuous advancements in technology and the increasing complexity of medical services and technologies. With the advent of new challenges in this industry, there has been a heightened effort to find innovative solutions to enhance service quality, optimize resource management, and increase the satisfaction of insured individuals. One significant approach in improving this domain involves the application of data mining techniques to identify behavioral patterns among health insurance policyholders during outpatient visits to diagnostic and treatment facilities. Methods: The present study is a descriptive cross-sectional study. The claim data of health insurance in Bushehr province of Iran was used. After data preparation, analysis was performed using SPSS Clementine12.0 software. The values of insurance start time, number of visits, and the value of the type of insurance were used to model the K-means algorithm in two modes including demographic mode and Recency-frequency-monetary (RFM). Sampling was done by census method. The statistical population includes the information of all outpatient referrals of the insured covered by health insurance of Bushehr province to 1,420,579 referrals to diagnostic and medical centers in 2018, which has been prepared by the researcher’s direct referral to the database of medical records. Results: The root mean square deviation values for RFM-based clustering and demographics are 21 and 21.65, respectively. And the Dunn’s Index confirmed the better RFM-based clustering. The RFM-based K-Means algorithm classified the data into four clusters, with 44% of the insured in Cluster One, 4% in Cluster Two, 22% in Cluster Three, and 30% in Cluster Four. Based on this, cluster 2 insured, including women with insurance of other classes with 4% of the population, were identified as the most referred, and cluster 3, including women with rural insurance, with 22% of the population, were identified as the least referred insured. Conclusion: The obtained model divided the insured into 4 clusters. This model allows the organization to predict the referral patterns of each insurer based on their age, gender, and type of insurance and provide appropriate services for different clusters. By using these models and technique in decision making process, the insurers satisfaction will be improved.</div> داده کاوی, خوشه‌بندی, بیمه سلامت Data Mining, Clustering, Health Insurance 280 287 http://journal.ihio.gov.ir/browse.php?a_code=A-10-451-1&slc_lang=fa&sid=1 Rajabali Daroudi رجبعلی درودی 10031947532846005143 10031947532846005143 No National Center for Health Insurance Research, Tehran, Iran مرکز ملی تحقیقات بیمه سلامت، تهران، ایران Ebrahim Jaafaripooyan ابراهیم جعفری‌پویان 10031947532846005144 10031947532846005144 No Department of Health Management and Economics, School of Public Health, Tehran University of Medical Sciences, Tehran, Iran گروه مدیریت، سیاست‌گذاری و اقتصاد سلامت، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران Houshang Golzar هوشنگ گلزار golzarbs@gmail.com 10031947532846005145 10031947532846005145 Yes National Center for Health Insurance Research, Tehran, Iran مرکز ملی تحقیقات بیمه سلامت، تهران، ایران