基于深度学习模型的异构患者资料医疗费用预测
机器学习
2025-02-19 v1 计算机与社会
摘要
问题：如何设计有效应对行政索赔（AC）数据中患者异构性挑战的患者费用预测模型，以确保准确、公平且可推广的预测，尤其是针对具有复杂慢性疾病的高需求（HN）患者？相关性：准确且公平的患者费用预测对于发展健康管理政策、优化资源分配至关重要，有助于为医保机构（包括政府部门和私人保险公司）实现显著成本节省。确保HN患者预测结果的公平性有助于实现更好的经济和临床决策，惠及患者和报销方。方法论：本研究基于社会技术考虑，强调技术系统（如深度学习模型）与人本结果（如医疗决策中的公平性）之间的相互作用。它融合了表征学习和熵度量，以解决AC数据和患者档案中的异构性和复杂性，特别是针对HN患者。我们提出了一种通道式深度学习框架，通过根据代码类型（如诊断、程序）和费用将AC数据分割为独立通道来缓解数据异构性。该方法配合灵活的评估设计，使用多通道熵度量来评估患者异构性。结果：与单通道模型相比，提出的通道式模型将预测误差降低23%，导致超支和欠付分别降低16.4%和19.3%。值得注意的是，针对HN患者的预测偏差显著降低，显示出在处理数据和患者档案中的异构性和复杂性方面的有效性。这表明将通道式建模应用于类似异构性挑战的领域具有潜力。
引用
@article{arxiv.2502.12277,
title = {Healthcare cost prediction for heterogeneous patient profiles using deep learning models with administrative claims data},
author = {Mohammad Amin Morid and Olivia R. Liu Sheng},
journal= {arXiv preprint arXiv:2502.12277},
year = {2025}
}