AI Summary & Key Takeaways
AI InsightIt is assessed that this study will make significant contributions to the development of proactive, analytical, and data-driven audit approaches in the field of healthcare auditing.
📌 3 Key Takeaways
Abstract
This study develops an AI-powered, risk-based integrated analytical model for monitoring medical procedures performed in public healthcare institutions. The main objective of the research is to contribute to the creation of early warning, risk prioritization, and decision support mechanisms in monitoring processes by identifying unusual procedure patterns on high-volume healthcare data. To this end, a total of 42174 medical procedure records from a Dental and Oral Health Center, covering the period 2024–2025 and with anonymized identifying information, were analyzed. The modeling process was designed in a multi-layered structure including data preprocessing, unsupervised anomaly detection, clustering analysis, and classification stages. In the anomaly detection stage, the Isolation Forest and Local Outlier Factor algorithms were used; 2109 and 1745 procedures were identified as potential anomalies, respectively. In clustering analyses, the k-Means method divided the dataset into three meaningful transaction segments, while the Density-Based Spatial Clustering (DBSCAN) method revealed local density differences and outlier clustering patterns within the data structure. In the classification phase, Random Forest and Gradient Boosting models were developed using risk labels obtained through unsupervised learning methods as target variables. According to the performance evaluation results, the Random Forest model showed the highest classification success with AUC=0.999 and accuracy rate=0.992. The high AUC value obtained reveals that the model has a very strong capacity to distinguish between normal transaction patterns and potentially risky transactions. Variable significance analyses showed that unusual transaction behaviors have strong relationships, especially with assurance type, chronic disease information, transaction codes, and financial indicators. Consequently, the developed AI-supported risk-based audit model offers a viable decision support framework for the effective use of audit resources in public healthcare institutions, prioritization of risky processes, and the creation of data-driven early warning mechanisms. It is assessed that this study will make significant contributions to the development of proactive, analytical, and data-driven audit approaches in the field of healthcare auditing.
Özet
Bu çalışmada, kamu sağlık kurumlarında gerçekleştirilen tıbbi işlemlerin denetimine yönelik yapay zekâ destekli ve risk tabanlı bütünleşik bir analitik model geliştirilmiştir. Araştırmanın temel amacı, yüksek hacimli sağlık verileri üzerinde olağandışı işlem örüntülerini belirleyerek denetim süreçlerinde erken uyarı, risk önceliklendirme ve karar destek mekanizmalarının oluşturulmasına katkı sağlamaktır. Bu doğrultuda, bir Ağız ve Diş Sağlığı Merkezine ait, 2024–2025 dönemini kapsayan ve kimlik bilgileri anonimleştirilmiş toplam 42174 tıbbi işlem kaydı analiz edilmiştir. Modelleme süreci; veri ön işleme, gözetimsiz anomali tespiti, kümeleme analizi ve sınıflandırma aşamalarını içeren çok katmanlı bir yapıda kurgulanmıştır. Anomali tespiti aşamasında İzolasyon Ormanı (Isolation Forest) ve Yerel Uzaklık Faktörü (Local Outlier Factor) algoritmaları kullanılmış; sırasıyla 2109 ve 1745 işlem potansiyel anomali olarak belirlenmiştir. Kümeleme analizlerinde k-Ortalamalar (k-Means) yöntemi veri setini üç anlamlı işlem segmentine ayırırken, Yoğunluk Tabanlı Uzamsal Kümeleme (DBSCAN) yöntemi veri yapısı içerisindeki lokal yoğunluk farklılıklarını ve aykırı kümelenme örüntülerini ortaya koymuştur. Sınıflandırma aşamasında, gözetimsiz öğrenme yöntemleriyle elde edilen risk etiketleri hedef değişken olarak kullanılarak Rastgele Orman (Random Forest) ve Gradyan Artırma (Gradient Boosting) modelleri geliştirilmiştir. Performans değerlendirme sonuçlarına göre Rastgele Orman modeli, AUC=0.999 ve doğruluk oranı=0.992 değerleriyle en yüksek sınıflandırma başarısını göstermiştir. Elde edilen yüksek AUC değeri, modelin normal işlem örüntüleri ile potansiyel riskli işlemleri ayırt etme kapasitesinin oldukça güçlü olduğunu ortaya koymaktadır. Gerçekleştirilen değişken önem analizleri, olağandışı işlem davranışlarının özellikle güvence türü, kronik hastalık bilgisi, işlem kodları ve mali göstergeler ile güçlü ilişkiler taşıdığını göstermiştir. Sonuç olarak geliştirilen yapay zekâ destekli risk tabanlı denetim modeli; kamu sağlık kurumlarında denetim kaynaklarının etkin kullanımı, riskli işlemlerin önceliklendirilmesi ve veri temelli erken uyarı mekanizmalarının oluşturulması açısından uygulanabilir bir karar destek çerçevesi sunmaktadır. Çalışmanın, sağlık denetimi alanında proaktif, analitik ve veri odaklı denetim yaklaşımlarının geliştirilmesine önemli katkılar sağlayacağı değerlendirilmektedir.