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

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 99.9٪) 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 موثرتر 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 موثر 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 موثری 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.

fraud detection in supplementary health insurance using neural network algorithms

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.