Deep Claim：基于深度学习的理赔数据付款方响应预测
机器学习
2020-07-14 v1 计算机与社会
机器学习
摘要
每年，近 10% 的理赔被付款方（即健康保险计划）拒付。考虑到追回这些拒付与欠付款的成本，从理赔数据以高精度与高召回预测付款方响应（付款可能性）有望提升医疗人员的绩效生产力，并改善收入周期中的患者财务体验与满意度（Barkholz, 2017）。然而，在过去二十年里，构建先进的预测分析模型一直被认为具有挑战性。尽管如此，我们通过对（高层）理赔输入中复杂依赖关系的有效学习，提出一种（低层）上下文相关的患者历史理赔记录紧凑表示。基于这一新潜在表示，我们展示了一个基于深度学习的框架 Deep Claim，可利用来自两个美国医疗系统的 2,905,026 条去标识化理赔数据准确预测来自多个付款方的各类响应。在预测理赔拒付方面，Deep Claim 相对于精心选取的基线的最大改进表现为在医疗系统 A 上 22.21% 的相对召回增益（在 95% 精度下），这意味着 Deep Claim 可比最佳基线系统多发现 22.21% 的拒付。
引用
@article{arxiv.2007.06229,
title = {Deep Claim: Payer Response Prediction from Claims Data with Deep Learning},
author = {Byung-Hak Kim and Seshadri Sridharan and Andy Atwal and Varun Ganapathi},
journal= {arXiv preprint arXiv:2007.06229},
year = {2020}
}
备注
To be presented at the Healthcare Systems, Population Health, and the Role of Health-Tech (HSYS) Workshop at the 37th International Conference on Machine Learning, Vienna, Austria, July 13-18, 2020