Doctorado Facultad de Ingeniería de Sistemas e Informática

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12672/129

Browse

Browsing Doctorado Facultad de Ingeniería de Sistemas e Informática by Subject "Aprendizaje automático"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Contribuciones a la detección de fraude en los seguros de salud
    (Universidad Nacional Mayor de San Marcos, 2026) Villegas Ortega, José Hamblett; Mauricio Sánchez, David Santos
    El fraude en los sistemas de seguros de salud (FSS) representa una de las amenazas financieras más críticas para la sostenibilidad de la salud pública global. A pesar de que el Aprendizaje Automático Supervisado (AAS) ha emergido como una herramienta con alto potencial disruptivo, la literatura actual evidencia una fragmentación metodológica, predominando enfoques ad-hoc que carecen de marcos sistemáticos que aseguren la replicabilidad y eficacia en entornos de datos altamente desequilibrados. La presente investigación tiene como objetivo proponer y validar empíricamente un marco metodológico integral diseñado específicamente para este dominio. Como piedra angular del estudio, se estableció un marco teórico robusto para la delimitación conceptual y de dominio del FSS. Esta fundamentación permitió identificar no solo la naturaleza del fenómeno, sino sus manifestaciones específicas y su interdependencia con los actores clave del sistema: el proveedor (prestador de servicios), el asegurado (usuario) y la entidad aseguradora. Bajo este enfoque sistémico, se desarrolló la metodología PDHIF (Phases for Detecting Health Insurance Fraud), una arquitectura estructurada en seis fases que amalgama el conocimiento experto del dominio pericial con el ciclo de vida avanzado de la ciencia de datos. Para la validación del modelo, se ejecutó un estudio de caso sobre un corpus masivo de 8.5 millones de reclamaciones pertenecientes a un seguro de salud público en el Perú, contrastando el desempeño de tres arquitecturas algorítmicas: Random Forest, XGBoost y Multilayer Perceptron. Los hallazgos revelan una asimetría crítica en el rendimiento de los modelos según el tratamiento de los datos. En escenarios con desequilibrio de clase natural, los algoritmos mostraron una ineficacia sustancial para la detección (F1-score < 0.521), a pesar de reportar precisiones nominales superiores al 98%, lo que evidencia el sesgo de la métrica tradicional. Por el contrario, tras la implementación de técnicas de balanceo dentro del marco PDHIF, el rendimiento experimentó una optimización drástica. El algoritmo Random Forest alcanzó una métrica F1, sensibilidad y AUC de 0.994, demostrando una capacidad de discriminación casi absoluta frente a reclamaciones anómalas. En conclusión, la investigación demuestra que la robustez de un sistema de detección no reside exclusivamente en la sofisticación del algoritmo, sino en la aplicación metódica de una arquitectura de fases especializada. El marco PDHIF se posiciona como un modelo de referencia para el desarrollo de sistemas de monitoreo financiero robustos, capaces de mitigar la fuga de recursos y fortalecer la integridad de los sistemas de salud.
  • Thumbnail Image
    Item
    Modelo de aprendizaje automático para mejorar la predicción de la quiebra de empresas
    (Universidad Nacional Mayor de San Marcos, 2025) Quinteros Navarro, Dino Michael; Rodriguez Rodriguez, Ciro
    El objetivo del trabajo de investigación fue desarrollar un modelo de aprendizaje automático para optimizar la predicción de la quiebra de empresas. El tipo de investigación fue aplicada con enfoque cuantitativo y diseño experimental. Asimismo, la muestra estuvo conformada por 379 empresas ubicadas en Lima Metropolitana, donde se realizó la aplicación de un instrumento (encuesta) y se clasificó en dos dimensiones: Entorno Empresarial y Situación Financiera. En ese marco, las actividades realizadas permitieron generar la matriz del conjunto de datos de 7,959 celdas. Posterior a ello, se ejecutaron 4 etapas, la primera etapa fue realizar el preprocesamiento: Limpieza de datos, normalización y categorización. La segunda etapa fue evaluar algoritmos y seleccionar el de mejor performance. La tercera etapa consistió en implementar el modelo mediante la identificación de factores relevantes y generar correlaciones. La cuarta etapa fue evaluar el modelo mediante métricas de performance. En ese sentido, los resultados mostraron que el modelo optimizado de aprendizaje supervisado (MO2A) obtuvo precisión 97%, exactitud 97%, sensibilidad 99% y f1-score 98%. Asimismo, para comprobar las hipótesis se realizaron las medidas estadísticas de Wilcoxon, coeficientes de correlación de Rho Spearman y Kappa de Cohen. Finalmente, se precisa que el desarrollo de un modelo de aprendizaje automático para mejorar la predicción de la quiebra de empresas propicia mejores panoramas para la toma de decisiones y evitar escenarios de quiebra empresarial.