集成模型在预测牙科提供者类型中的比较性能：基于费付服务数据的洞见
机器学习
2025-06-06 v1 人工智能
摘要
牙科提供者分类在优化医疗资源分配和政策规划方面发挥着关键作用。有效地将提供者（如标准渲染提供者和安全净 clinics (SNC) 提供者）进行分类，可提高向资源匮乏人群的服务质量。本研究旨在评估使用 2018 年数据集的机器学习模型在预测牙科提供者类型方面的性能。该数据集包含 24,300 个实例和 20 个特征，包括费付服务 (FFS)、地理管理保健和预付健康计划中的服务计数和受益人年龄组（0-20 岁和 21 岁以上）。尽管存在 38.1% 的缺失数据，我们测试了包括 k 近邻 (kNN)、决策树、支持向量机 (SVM)、随机梯度下降 (SGD)、随机森林、神经网络和梯度提升等多种机器学习算法。采用 10 折交叉验证方法，并使用 AUC、分类准确率 (CA)、F1 分数、精确率和召回率对模型进行评估。神经网络取得最高的 AUC (0.975) 和 CA (94.1%)，其后为随机森林（AUC: 0.948, CA: 93.0%）。这些模型有效处理了不平衡数据和复杂特征相互作用，优于传统分类器如逻辑回归和 SVM。集成模型和深度学习模型显著提升了牙科 workforce 分类。将其整合到医疗保健分析中可提高提供者识别和资源分配，惠及资源匮乏人群。
引用
@article{arxiv.2506.04479,
title = {Comparative performance of ensemble models in predicting dental provider types: insights from fee-for-service data},
author = {Mohammad Subhi Al-Batah and Muhyeeddin Alqaraleh and Mowafaq Salem Alzboon and Abdullah Alourani},
journal= {arXiv preprint arXiv:2506.04479},
year = {2025}
}