[논문 리뷰] Machine Learning Recommendation System For Health Insurance Decision Making In Nigeria

Ayomide Owoyemi, Emmanuel Nnaemeka외 4명|arXiv (Cornell University)|2023. 05. 18.

Artificial Intelligence in Healthcare인용 수 4

한 줄 요약

이 논문은 코사인 유사도를 사용한 콘텐츠 기반 기계학습 추천 시스템을 제안하여 나이지리아 사용자가 위치, 예산, 서비스 선호도 기반으로 최적의 건강 유지 기관(HMO)을 선택하도록 돕는다. HMO를 필터링하고 상위 3개의 매칭 결과를 순위 매김함으로써, 이 시스템은 의사결정 피로를 줄이고 100개 이상의 선택지가 존재하는 시장에서 건강 보험 접근성을 향상시킨다.

ABSTRACT

The uptake of health insurance has been poor in Nigeria, a significant step to improving this includes improved awareness, access to information and tools to support decision making. Artificial intelligence (AI) based recommender systems have gained popularity in helping individuals find movies, books, music, and different types of products on the internet including diverse applications in healthcare. The content-based methodology (item-based approach) was employed in the recommender system. We applied both the K-Nearest Neighbor (KNN) and Cosine similarity algorithm. We chose the Cosine similarity as our chosen algorithm after several evaluations based of their outcomes in comparison with domain knowledge. The recommender system takes into consideration the choices entered by the user, filters the health management organization (HMO) data by location and chosen prices. It then recommends the top 3 HMOs with closest similarity in services offered. A recommendation tool to help people find and select the best health insurance plan for them is useful in reducing the barrier of accessing health insurance. Users are empowered to easily find appropriate information on available plans, reduce cognitive overload in dealing with over 100 options available in the market and easily see what matches their financial capacity.

연구 동기 및 목표

• 나이지리아에서 낮은 건강 보험 가입률 문제를 해결하기 위해 소비자들이 의사결정을 보다 잘 할 수 있도록 도구를 개선한다.
• 나이지리아 시장에서 100개 이상의 HMO가 존재함에 따라 발생하는 인지적 과부하를 줄인다.
• 사용자 선호도와 위치 기반으로 HMO를 필터링하는 개인화된 AI 기반 추천 시스템을 개발한다.
• 재정 능력에 맞는 투명하고 데이터 기반의 추천을 제공함으로써 건강 보험 접근성을 향상시킨다.
• 코사인 유사도가 KNN보다 사용자 선호도와 HMO 서비스 프로파일을 매칭하는 데 더 효과적인지 검증한다.

제안 방법

• 콘텐츠 기반 필터링 접근 방식을 사용하여 HMO 서비스 특성과 사용자가 지정한 기준에 중점을 두었다.
• 사용자 입력은 선호하는 위치와 가격 범위이며, 이는 HMO 데이터셋을 필터링하는 데 사용된다.
• 사용자 프로파일과 HMO 서비스 제공물 간의 유사도를 측정하기 위해 코사인 유사도가 적용되었다.
• 시스템은 유사도 점수에 따라 HMO를 순위 매기고 상위 3개의 추천 결과를 반환한다.
• K-최근접 이웃(KNN)은 도메인 지식과의 일치도가 낮아 비교 평가 후 기각되었다.
• 최종 모델은 비교 평가를 거쳐 코사인 유사도를 주요 매칭 알고리즘으로 사용한다.

실험 결과

연구 질문

• RQ1 기계학습 기반 추천 시스템은 나이지리아의 복잡한 시장 환경에서 건강 보험 선택을 어떻게 향상시킬 수 있는가?
• RQ2 KNN와 코사인 유사도 중 어느 알고리즘이 도메인 특화된 건강 보험 선호도와 더 잘 일치하는가?
• RQ3 개인화된 추천은 100개 이상의 HMO 선택지가 존재하는 상황에서 사용자의 의사결정 피로를 어느 정도 줄일 수 있는가?
• RQ4 사용자가 정의한 제약 조건(위치 및 가격)이 HMO 추천 로직에 얼마나 효과적으로 통합될 수 있는가?
• RQ5 저디지털 인fra구조 환경에서도 콘텐츠 기반 접근 방식이 사용자 프로파일과 HMO 서비스 프로파일을 성공적으로 매칭시킬 수 있는가?

주요 결과

• 도메인 지식와의 일치도를 고려해 KNN와의 비교 평가를 거친 결과, 코사인 유사도 알고리즘이 최적의 방법으로 선정되었다.
• 시스템은 사용자가 지정한 위치 및 가격 제약 조건에 기반해 HMO를 성공적으로 필터링한다.
• 서비스 유사도 기반으로 상위 3개의 HMO 추천 결과를 생성함으로써 사용자의 선택 과부하를 줄였다.
• 재정 능력과 서비스 수요에 맞는 매칭을 통해 사용자가 정보 기반 의사결정을 내릴 수 있도록 지원한다.
• 추천 도구는 나이지리아에서 건강 보험 가입률을 높이는데 실질적인 잠재력을 보여준다.
• 관련성 있고 개인화된 매칭에 집중함으로써 100개 이상의 HMO 중에서 선택하는 복잡성을 효과적으로 줄였다.