Évaluation économique de vérification ciblée par intelligence artificielle des Centres de Santé de Base bénéficiaires du financement basé sur la performance
Rabearitsoa Florent Eric, DIZEYE Cédric, RANDRIATSARAFARA Fidiniaina Mamy, RAKOTOMALALA Mamy Alain
Résumé
L’intelligence artificielle (IA) a considérablement transformé le secteur de la santé, pourtant son utilisation dans le contexte du financement basé sur la performance (FBP) est très peu documentée. Cette étude vise à optimiser les coûts du mécanisme de vérification du FBP par l’intelligence artificielle en ciblant les Centres de santé de base frauduleux.
Cette étude propose d’utiliser le modèle XGBoost pour cibler les CSB à risque de fraudes, en intégrant les compromis décisionnels basés sur l’optimisation du seuil de décision, afin d’assurer un équilibre entre sensibilité et spécificité.
À une valeur optimale proche de 0,19 du seuil de décision, les bénéfices générés par l’IA sont maximaux pour les 25 CSB. L’IA permet de gagner $145 963 par District pour la verification des données, en réduisant jusqu’à 25% les coûts de verification (ratio du coût résiduel). Le TPR économique de la verification ciblée par l’IA est de 86%. L’IA permet de réduire à moins de 20% le nombres des CSB à auditer.
Cette étude vise à améliorer l’efficience du mécanisme de vérification du FBP par l’utilisation de l’IA. Elle contribue à optimiser l’allocation des ressources publiques du financement de la santé publique.
Achat stratégique du secteur sanitaire, Économie d, Achat stratégique du secteur sanitaire, Économie de la santé, Financement basé sur la performance, XGBoost
References
[1] I. Mathauer, E. Dale, M. Jowett, J. Kutzin. (2019). Purchasing health services for universal health coverage: how to make purchasing more strategic?,World Health Organization, ISBN WHO/UHC/HGF/PolicyBrief 19.6. 2019.
[2] CORDAID -SINA. (2010). PBF in action : Theories and Instruments, PBF Course Guide, The Hague.https://www.sina-health.com/wp content/uploads/PBFCourseBookSINATheoryActionEngVF100817.pdf
[3] C. Achir, A.Douari. (2024). Le management du risque à l’ère de l’émergence de l’intelligence artificielle, Revue Française d’Économie et de Gestion,Vol.5: N°1, p.52-77.
[4] P. K. Kamuangu. (2024). A Review on Financial Fraud Detection using AI and Machine Learning, Journal of Economics, Finance and Accounting Studies, 6(1), 67-77.ISSN: 2709-0809,2024.
[5] T. Chen and C. Guestrin. (2016). XGBoost : A scalable tree boosting system, in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16), San Francisco, CA, USA, p. 785–794. doi: 10.1145/2939672.2939785.
[6] Corporate Finance Institute. (2023). Return on Investment (ROI): Formula, Examples and Interpretation, 2023. https://corporatefinanceinstitute.com/resources/valuation/return-on-investment-roi/
[7] OECD. (2018). Cost-Benefit Analysis and the Environment: Further Developments and Policy Use, OECD Publishing, Paris.
[8] World Bank. (2016). Cost-Benefit Analysis in World Bank Projects, Washington, DC.
[9] M. J. Farrell. (1957). The Measurement of Productive Efficiency,” Journal of the Royal Statistical Society, vol. 120, no. 3, p. 253-290.
[10] F. Provost and T. Fawcett. (2013). Data Science for Business, O’Reilly Media.
[11] M. D. Ruopp, N. J. Perkins, B. W. Whitcomb, and E. F. Schisterman. (2008). Youden Index and Optimal Cut-Point Estimated from Observations Affected by a Lower Limit of Detection,Biometrical Journal, vol. 50, N°. 3, p. 419-430.
[12] Institut National de la Statistique. (2024). Enquête Permanente auprès des Ménages (EPM) 2021–2022, Rapport
