健康保险理赔中时间偏移的大规模研究
机器学习
2023-06-21 v2
摘要
大多数用于预测临床结果的机器学习模型都是利用历史数据开发的。然而，即便这些模型在不久的将来被部署，随时间而来的数据集偏移可能导致不尽理想的性能。为刻画这一现象，我们认为，若历史模型不再对该结果的预测最优，则某一任务——即在特定时间点待预测的结果——是非平稳的。我们构建了一种算法，用于在总体层面或所发现的子群内检验时间偏移。进而，我们构造了一个元算法，以在大量任务上执行时间偏移的回顾性扫描。我们的算法使我们能够开展据我们所知首个对医疗健康中时间偏移的全面评估。我们在健康保险理赔数据集上通过评估 242 项医疗结果在 2015 至 2020 年间的时间偏移，创建了 1,010 个任务。9.7% 的任务在总体层面显示出时间偏移，93.0% 的任务有受偏移影响的子群。我们深入案例研究以理解其临床含义。我们的分析凸显了医疗健康中时间偏移的广泛普遍性。
引用
@article{arxiv.2305.05087,
title = {Large-Scale Study of Temporal Shift in Health Insurance Claims},
author = {Christina X Ji and Ahmed M Alaa and David Sontag},
journal= {arXiv preprint arXiv:2305.05087},
year = {2023}
}
备注
To appear as an oral spotlight and poster at Conference on Health, Inference, and Learning (CHIL) 2023