从理赔数据学习医学概念表示及其在健康计划支付风险调整中的应用
机器学习
2019-07-16 v1 机器学习
摘要
风险调整已成为医疗领域中日益重要的工具。它已被广泛用于健康计划的支付调整，以反映为成员提供保障的预期成本。风险调整模型通常使用线性回归估计，未能充分利用理赔数据中的信息。此外，此类线性回归模型的开发需要大量的领域专家知识与数据预处理的计算投入。本文提出一种新颖的风险调整方法，使用语义嵌入来表示患者的病史。嵌入高效地表示了从患者病史中诊断、操作与处方代码学习到的医学概念。该方法大幅减少了对特征工程的需求。我们的结果表明，在前瞻性风险评分预测任务上，使用嵌入的模型优于商业风险调整模型。
引用
@article{arxiv.1907.06600,
title = {Medical Concept Representation Learning from Claims Data and Application to Health Plan Payment Risk Adjustment},
author = {Qiu-Yue Zhong and Andrew H. Fairless and Jasmine M. McCammon and Farbod Rahmanian},
journal= {arXiv preprint arXiv:1907.06600},
year = {2019}
}
备注
Accepted as a poster presentation at the 2019 KDD Workshop on Applied Data Science for Healthcare (KDD-DSHealth2019), Aug 5, 2019, Anchorage, Alaska USA