医疗成本预测：利用细粒度时间模式
机器学习
2020-09-16 v1
摘要
目的：设计并评估一种利用个体时间数据预测其医疗成本的方法。为实现该目标，我们首先以细粒度而非粗粒度形式使用患者的时间数据。其次，我们设计新颖的尖峰检测特征以提取提升成本预测性能的时间模式。第三，我们基于成本信息、就诊信息与医疗信息评估了不同类型时间特征对预测任务的有效性。材料与方法：我们使用了某医疗保险公司2013至2016年三年医疗与药房理赔数据，其中前两年用于构建模型以预测第三年成本。为准备建模与预测数据，将成本、就诊与医疗信息的时间序列数据以细粒度特征形式提取（即将每个时间序列分割为连续窗口序列，并以求和等各种统计量表示每个窗口）。随后，利用一组新颖的尖峰检测特征（即数据点的波动）提取时间序列的时间模式并加入细粒度特征。对最终提取的特征集应用梯度提升（Gradient Boosting）。此外，评估了每类数据（即成本、就诊与医疗）的贡献。结论：利用细粒度时间模式进行医疗成本预测显著提升了预测性能。通过提取时间与就诊模式增强细粒度特征显著改进了性能。然而，医疗特征对预测性能无显著影响。梯度提升优于所有其他预测模型。
引用
@article{arxiv.2009.06780,
title = {Healthcare Cost Prediction: Leveraging Fine-grain Temporal Patterns},
author = {Mohammad Amin Morid and Olivia R. Liu Sheng and Kensaku Kawamoto and Travis Ault and Josette Dorius and Samir Abdelrahman},
journal= {arXiv preprint arXiv:2009.06780},
year = {2020}
}