预防性护理的数据驱动分配及其在 II 型糖尿病中的应用
机器学习
2023-08-15 v1
摘要
问题定义。医疗成本上升凸显了有效疾病预防的重要性。然而，用于分配预防性护理的决策模型尚显匮乏。方法/结果。本文开发了一种数据驱动决策模型，用于确定对高危患者具成本效益的预防性治疗分配。具体而言，我们结合反事实推断、机器学习与优化技术，构建可扩展决策模型，以利用高维医疗数据（如现代电子健康记录中的数据）。我们的决策模型基于 89,191 名糖尿病前期患者的电子健康记录评估。我们将数据驱动决策模型所开的预防性治疗（二甲双胍）分配与当前实践对比。发现若该方法应用于美国人口，每年可节省 11 亿美元。最后，我们分析不同预算下的成本效益。管理启示。我们的工作支持健康管理中的决策，旨在以更低成本实现有效疾病预防。重要的是，我们的决策模型具通用性，可用于其他可预防疾病的预防性护理有效分配。
引用
@article{arxiv.2308.06959,
title = {Data-Driven Allocation of Preventive Care With Application to Diabetes Mellitus Type II},
author = {Mathias Kraus and Stefan Feuerriegel and Maytal Saar-Tsechansky},
journal= {arXiv preprint arXiv:2308.06959},
year = {2023}
}
备注
Accepted by Manufacturing & Service Operations Management