Inteligencia artificial en el monitoreo de la contración pública en salud

Salazar Mejía, Andrés Sebastián

doi:https://doi.org/10.48713/10336_44741

Ítem

Acceso Abierto

Inteligencia artificial en el monitoreo de la contración pública en salud

https://repository.urosario.edu.co/handle/10336/44741
https://doi.org/10.48713/10336_44741

Autores

Salazar Mejía, Andrés Sebastián

Fecha

2024-12-12

Directores

Gallego Durán, Jorge Andrés

Editor

Universidad del Rosario

Export Format:

Buscar en:

Métricas alternativas

Resumen

El sector salud en Colombia enfrenta grandes desafíos relacionados con la adecuada gestión de los recursos en los procesos de contratación, necesarios para el funcionamiento del sistema. La contratación pública es el aspecto más susceptible al despilfarro en Colombia, relacionado con altas ineficiencias, que son más frecuentes y pueden comprometer mayores recursos. A esto se suma un aumento de la participación del Estado y la cantidad de contratos públicos debido a posibles reformas. Este trabajo propone una metodología basada en aprendizaje de máquinas para predicción temprana de ineficiencias en los contratos del sector salud, usando como medida el número de adiciones en valor (sobrecostos) reportadas en la plataforma de contratación del Estado. Además, introduce a la literatura de contratación pública el uso de modelos de regresión y la incorporación de ensambles de modelos de detección de anomalías. Entre los principales hallazgos destacan los métodos basados en árboles como los de mejor desempeño, especialmente Random Forest, con un RMSE de prueba menor a 0,7. El estudio también identifica el tamaño del contrato, en valor y duración, las condiciones de entrega y el presupuesto de las entidades como características valiosas para la formulación de políticas públicas; y muestra que la incorporación de medidas de detección de anomalías mejora la comprensión de las ineficiencias. Adicionalmente, se encuentra la medida de ineficiencias propuesta superior a la usada en la literatura para la priorización de la investigación de contratos por parte de las entidades de control, con un 𝑀𝐴𝑃1000 de 1. Esta metodología permitirá mejorar el cuidado de los recursos del sistema de salud colombiano por medio de una eficaz intervención por parte de las entidades de control.

Abstract

He health sector in Colombia faces major challenges in managing public procurement resources, which are crucial for the system's functioning. Public procurement remains the most vulnerable aspect of resource allocation in Colombia, characterized by high inefficiencies that increasingly compromise significant financial resources. Additionally, potential reforms imply greater state participation and more public procurement processes. This research proposes a machine learning methodology for early prediction of inefficiencies in health sector contracts, utilizing the number of value additions (cost overruns) reported on the state's e-procurement platform. The study introduces to public contracting literature the use of regression models and ensembles of anomaly detection models. Among the main findings, tree-based methods emerge as top performers, with Random Forest achieving a test RMSE of less than 0.7. The research identifies several valuable characteristics for public policy formulation, including contract size (both in value and duration), delivery conditions, and institutional budgets. Furthermore, the incorporation of anomaly detection measures enhances the understanding of procurement inefficiencies. Finally, the proposed inefficiency measurement method proves superior to existing literature approaches for prioritizing contract investigations by control entities, demonstrating a 𝑀𝐴𝑃1000 of 1. This methodology aims to improve resources care in the Colombian health system by enabling effective interventions by control entities.