可解释（而非仅事后可解释）的医保索赔建模用于出院安置以预防可避免的全因再入院或死亡
计算机与社会
2023-01-31 v3 人工智能
机器学习
应用统计
摘要
我们开发了一种内在可解释的多层贝叶斯框架来表示回归系数的变化，其模拟了 ReLU 激活深度神经网络的分段线性。我们利用该框架构建了一个生存模型，使用医保索赔预测医院再入院和死亡，重点关注出院安置，并在估计因果局部平均处理效应时调整混杂因素。我们在 2008 与 2011 年 Medicare 受益人的 5% 样本上（基于其 2009–2011 年住院事件）训练模型，随后在 2012 年事件上测试。该模型在预测全因再入院（使用官方医疗保险和医疗补助服务中心（CMS）方法定义）或出院后 30 天内死亡方面 AUROC 约为 0.76，与 XGBoost 和贝叶斯深度神经网络相当，表明无需在可解释性与准确性之间取舍。关键在于，作为回归模型，我们提供了黑箱无法给出的——模型的精确金标准全局解释，识别相对风险因素并量化出院安置的效应。我们还表明事后解释器 SHAP 无法提供准确解释。
引用
@article{arxiv.2208.12814,
title = {Interpretable (not just posthoc-explainable) medical claims modeling for discharge placement to prevent avoidable all-cause readmissions or death},
author = {Joshua C. Chang and Ted L. Chang and Carson C. Chow and Rohit Mahajan and Sonya Mahajan and Joe Maisog and Shashaank Vattikuti and Hongjing Xia},
journal= {arXiv preprint arXiv:2208.12814},
year = {2023}
}
备注
In review