Ítem
Acceso Abierto

Inteligencia artificial en el monitoreo de la contración pública en salud

Mostrar el registro sencillo de la publicación
dc.contributor.advisorGallego Durán, Jorge Andrés
dc.creatorSalazar Mejía, Andrés Sebastián
dc.creator.degreeMagíster en Matemáticas Aplicadas y Ciencias de la Computación
dc.date.accessioned2025-01-20T15:16:56Z
dc.date.available2025-01-20T15:16:56Z
dc.date.created2024-12-12
dc.descriptionEl 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.
dc.description.abstractHe 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.
dc.format.extent56 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_44741
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/44741
dc.language.isospa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentEscuela de Ingeniería, Ciencia y Tecnologíaspa
dc.publisher.programMaestría en Matemáticas Aplicadas y Ciencias de la Computaciónspa
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.source.bibliographicCitationC. Granger, J. Ramos, L. Melo y G. Silva, «Financiamiento del Sistema de Salud en Colombia: Fuentes y usos,» Borradores de Economía, nº 1233, 2023.
dc.source.bibliographicCitationK. Hussmann, «Corrupción en el sector salud,» Bergen: U4 Anti-Corruption Resource Centre, Chr. Michelsen Institute (U4 Issue 2020:16), 2020.
dc.source.bibliographicCitationTransparencia por Colombia, «Así se mueve la corrupción. Radiografía de los hechos de corrupción en Colombia 2016-2022,» 2024.
dc.source.bibliographicCitationO. Bandiera, A. Prat y T. Valletti, «Active and Passive Waste in Government Spending: Evidence from a Policy Experiment,» American Economic Review, vol. 99, nº 4, p. 1278–1308, 2009.
dc.source.bibliographicCitationTransparencia por Colombia, «Así se mueve la corrupción. Radiografía de los hechos de corrupción en Colombia 2016-2020,» 2021.
dc.source.bibliographicCitationB. Flyvbjerg y D. Gardner, How big things get done: the surprising factors that determine the fate of every project, from home renovations to space exploration and everything in between, New York: Currency, 2023.
dc.source.bibliographicCitationBrigard Urrutia, «10 claves para entender el proyecto de Reforma a la Salud,» Bogotá D.C., 2024.
dc.source.bibliographicCitationN. Köbis, C. Starke y I. Rahwan, «Artificial Intelligence as an Anti-Corruption Tool (AI-ACT) -- Potentials and Pitfalls for Top-down and Bottom-up Approaches,» pre-print 2102.11567, 2021.
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectContratación pública
dc.subjectAprendizaje de máquina
dc.subjectCorrupción
dc.subjectIneficiencias
dc.subject.keywordPublic Procurement
dc.subject.keywordMachine learning
dc.subject.keywordCorruption
dc.subject.keywordInefficiencies
dc.titleInteligencia artificial en el monitoreo de la contración pública en salud
dc.title.TranslatedTitleArtificial intelligence in the monitoring of public health procurement
dc.typebachelorThesis
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTrabajo de grado
local.department.reportEscuela de Ciencias e Ingeniería
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Inteligencia_artificial_en_el_monitoreo_de_la_contracion_publica_en_salud.pdf
Tamaño:
929.08 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Matemáticas Aplicadas y Ciencias de la Computación