机器学习在异常急诊索赔识别中的应用
机器学习
2022-06-17 v1 机器学习
摘要
由欺诈和升级编码（upcoding）导致的不当医疗保险支付在美国每年造成数百亿美元的超额医疗成本，这促使机器学习研究者构建针对医疗保险索赔的异常检测模型。本文描述了两种专门针对急诊（ER）索赔的策略。其一是基于严重程度代码分布、按分层诊断代码簇划分的升级编码模型。在独立急诊机构与急症护理医院之间，观察到平均升级编码异常分数存在统计显著差异，独立急诊机构更具异常性。其二是随机森林模型，通过对审查队列中的急诊索赔进行最优排序来最小化不当支付。根据审查索赔的百分比，该随机森林相较按账单金额优先排序的基线方法节省了 12% 至 40%。
引用
@article{arxiv.2206.08093,
title = {Applications of Machine Learning to the Identification of Anomalous ER Claims},
author = {Jesse B. Crawford and Nicholas Petela},
journal= {arXiv preprint arXiv:2206.08093},
year = {2022}
}
备注
15 pages, 12 figures