Look-up in Google Scholar
Title: Aplicativo Móvil para reducir los tiempos de espera en los servicios de atención de IAFAS prepagas de Lima utilizando Chatbot con Machine Learning y PLN
Advisor(s): Huarcaya Junes, Alejandrina Nelly; Berrocal Navarro, Richard Leonardo
OCDE field: https://purl.org/pe-repo/ocde/ford#2.00.00; https://purl.org/pe-repo/ocde/ford#2.02.04
Issue Date: 4-Jan-2024
Institution: Universidad Peruana de Ciencias Aplicadas (UPC)
Abstract: Las aseguradoras de salud que están subordinadas a una sola clínica han registrado por primera vez 6,938 reclamos entre el primer semestre del 2021 y el primer semestre del 2022 en la Superintendencia Nacional de Salud (SUSALUD). El 70% de estos reclamos tratan sobre la atención brindada al asegurado que se origina debido al excesivo tiempo de espera al brindar información a los afiliados que ha aumentado tras la congestión de los canales de atención, la falta de plataformas tecnológicas para el afiliado, los insuficientes canales de atención y la demora en la obtención de información de la póliza o atenciones médicas. En consecuencia, el elevado número de reclamos ha tenido un impacto económico paras las IAFAS prepagas ya que ha ocasionado 25 sanciones entre S/. 8,800.00 a S/. 220,000.00. Por ello, se propone el desarrollo de un chatbot que utilice machine learning y procesamiento de lenguaje natural (PLN) para reducir los tiempos de espera en los servicios de atención al asegurado en IAFAS Prepagas de Lima. El modelo propuesto consta de 3 fases: extracción de información mediante técnicas de procesamiento de lenguaje natural, determinación de intención del usuario aplicando el algoritmo de árboles de decisiones y consulta de documentos utilizando servicios Api REST. Esta propuesta fue validada mediante un caso de estudio en una aseguradora prepaga de Lima durante tres días a través de un análisis comparativo de la variable de tiempos de respuesta frente a la variable de uso del aplicativo. Los resultados muestran que el modelo logró reducir los tiempos de espera en 88.43% aproximadamente.

Health insurers that are subordinated to a single clinic have registered for the first time 6,938 claims between the first half of 2021 and the first half of 2022 with the National Health Superintendence (SUSALUD). Seventy percent of these claims deal with the attention provided to the insured, which originates due to the excessive waiting time when providing information to the affiliates that has increased after the congestion of the attention channels, the lack of applications for the affiliate, the insufficient attention channels and the delay in obtaining information on the policy or medical attention. Consequently, the high number of claims has had an economic impact for the prepaid IAFAS since it has caused 25 penalties between S/. 8,800.00 and S/. 220,000.00. Therefore, we propose the development of a chatbot that uses machine learning and natural language processing (NLP) to reduce waiting times in policyholder services in prepaid IAFAS in Lima. The proposed model consists of 3 phases: information extraction using natural language processing techniques, determination of user intent by applying the decision tree algorithm and document query using REST Api services. This proposal was validated by means of a case study in a prepaid insurance company in Lima during three days through a comparative analysis of the variable of response times versus the variable of use of the application. The results show that the model to reduce waiting times by approximately 88.43%.
Note: ODS 9: Industria, innovación e infraestructura; ODS 3: Salud y bienestar; ODS 11: Ciudades y comunidades sostenibles
Discipline: Ingeniería de Sistemas
Grade or title grantor: Universidad Peruana de Ciencias Aplicadas (UPC). División de Estudios Profesionales para Ejecutivos (EPE)
Grade or title: Ingeniero de sistemas
Juror: Coronado Gutierrez, Jaime Juniors; Burga Duran, Daniel Wilfredo; Rivas Galloso, Paul Harry
Register date: 12-Feb-2024; 12-Feb-2024



This item is licensed under a Creative Commons License Creative Commons