تست و شبیه‌سازی مدل بیمه سلامت مبتنی بر بلاکچین و هوش مصنوعی

ما به دنبال یک فریلنسر با سابقه کار هوش مصنوعی و طراحی سایت هستیم که یک سیستم تست هوش مصنوعی با مشخصات زیر برامون ایجاد کنه این سیستم سیستم تست برای ثبت، ارزیابی و پردازش هوشمند مطالبات بیمه سلامت پیاده‌سازی کند. این سیستم باید 4 نقش اصلی (پزشک، پرستار، بیمه‌گر، مدیر سیستم) را پشتیبانی کند، از معماری دو لایه بلاکچین (Hyperledger Fabric + لایه عمومی)، هوش مصنوعی و OCR برای استخراج داده از صورتحساب استفاده کند، و قابلیت تولید گزارش‌های دقیق آماری و تحلیلی برای استفاده در یک مقاله علمی (IEEE JBHI) داشته باشد سناریوی عملیاتی سیستم: 1. پزشک (Doctor) ورود به پنل پزشک. ثبت نسخه با Autocomplete و جزئیات درمان. درخواست آزمایش‌ها و خدمات پاراکلینیکی (به‌طور خودکار در پرونده ثبت می‌شوند). تمام اطلاعات دارو و خدمات به‌طور خودکار به بخش صورتحساب منتقل می‌گردد. 2. پرستار (Nurse) ورود به پنل پرستاری. مشاهده نسخه پزشک. ثبت گزارش وضعیت بیمار (تایپی یا صوت → متن با STT). پیوست مستندات تکمیلی (در صورت نیاز). 3. بیمه‌گر (Insurer) ورود به پنل بیمه‌گر. مشاهده پرونده کامل (نسخه پزشک، گزارش پرستار، نتایج آزمایش‌ها/پیوست‌ها). در صورت نیاز، بارگذاری فایل یا تصویر اصلی صورتحساب. تأیید یا رد صحت داده‌ها و مدارک. 4. مدیر سیستم (System Admin) دسترسی کامل به همه نقش‌ها. ایجاد و مدیریت کاربران و نقش‌ها. پیکربندی ماژول‌های AI، OCR و پارامترهای امتیازدهی ریسک. تولید گزارش‌های عملیاتی و پژوهشی با داده‌های ناشناس‌سازی شده. جریان کاری یکپارچه سیستم: پزشک نسخه را ثبت می‌کند → آیتم‌های مالی و درخواست‌های آزمایش به‌طور خودکار ثبت می‌شوند. پرستار گزارش بیمار را ثبت و مدارک تکمیلی را بارگذاری می‌کند. بیمه‌گر، در صورت نیاز، تصویر یا فایل اصلی صورتحساب را بارگذاری می‌کند. ماژول OCR داده‌های صورتحساب را استخراج می‌کند. ماژول AI سه‌طرفه تطبیق می‌دهد: نسخه پزشک ↔ گزارش پرستار ↔ صورتحساب. AI امتیاز ریسک (0–100) اختصاص می‌دهد: کم: تأیید خودکار. متوسط: بررسی دستی بیمه‌گر. زیاد: رد خودکار با گزارش دلیل. مدیر سیستم می‌تواند هر زمان گزارش‌های آماری و پژوهشی را استخراج و ذخیره کند. گزارش‌های الزامی (Must-Have Reports): 1. زمان پردازش مطالبات میانگین، میانه، کم/بیشترین زمان. تفکیک بر اساس ریسک. 2. عملکرد تشخیص تقلب AI Accuracy و Precision/Recall. نرخ False Positive/False Negative. 3. توزیع پرونده بر اساس ریسک درصد Low/Medium/High به تفکیک دوره زمانی. 4. صحت تکمیل مدارک درصد پرونده‌های کامل و ناقص. نوع کمبودها. 5. صرفه‌جویی اقتصادی کاهش زمان پردازش نسبت به روش سنتی. صرفه‌جویی مالی ناشی از کشف تقلب. محاسبه ROI سیستم. 6. اثر مدل انگیزشی تغییر نرخ تمدید بیمه قبل/بعد از اجرای مشوق‌ها. تغییر رفتار مراکز درمانی در خطا و ثبت مدارک. 7. شاخص اعتماد ذی‌نفعان امتیاز پرسشنامه‌ای قبل/بعد از اجرا. 8. عملکرد ماژول‌ها دقت و سرعت OCR و Three-Way Matching. 9. خروجی پژوهشی (Research Dataset) داده‌های کاملاً ناشناس‌سازی شده جهت تحلیل مقاله. طراحی داشبورد مدیریتی و ماژول گزارش‌دهی. پنل گزارش‌گیری مدیر سیستم با همه گزارش‌های ذکرشده.