医疗理赔数据中基于贝叶斯非参数模型的亚组识别与解释
机器学习
2017-11-22 v1
摘要
住院护理在总医疗支出中占很大份额，使得对住院利用模式的分析成为理解医疗支出增长驱动因素的重要部分。住院利用度量的常见特征包括零膨胀、过离散和偏态，所有这些都使统计建模复杂化。混合建模是一种流行的方法，可以适应医疗利用数据的这些特征。在这项工作中，我们向此类模型添加了非参数聚类组件。我们的全贝叶斯模型框架允许未知数量的混合成分，从而由数据决定混合成分的数量。当我们将该建模框架应用于肺癌患者住院时长数据时，我们发现了具有医院天数均值和方差、健康与治疗协变量以及协变量与住院时长之间关系差异的不同患者亚组。
引用
@article{arxiv.1711.07527,
title = {Subgroup Identification and Interpretation with Bayesian Nonparametric Models in Health Care Claims Data},
author = {Christoph Kurz and Laura Hatfield},
journal= {arXiv preprint arXiv:1711.07527},
year = {2017}
}
备注
NIPS symposium Interpretable Machine Learning 2017