# Deep learning for prediction of population health costs

**Authors:** Philipp Drewe-Boss, Dirk Enders, Jochen Walker, Uwe Ohler  
**arXiv:** [2003.03466](https://arxiv.org/abs/2003.03466)  
**Date:** 2020-03-06  
**Summary page:** https://www.summarizepaper.com/fr/paper/2003.03466v1/

## Key points

- Les coûts de santé précis sont essentiels pour gérer efficacement les dépenses de santé.
- Il manque des méthodes qui exploitent la richesse des données médicales telles que les demandes d'assurance maladie ou les dossiers médicaux électroniques.
- Un réseau neuronal profond a été développé pour prédire le coût futur à partir des demandes d'assurance maladie.
- Le réseau neuronal et un modèle de régression ridge ont été appliqués à un échantillon de 1,4 million d'assurés allemands pour prévoir le coût total des soins de santé sur une année.
- Les performances des deux méthodes ont été comparées aux modèles Morbi-RSA avec diverses mesures et ont également été utilisées pour prévoir les patients ayant subi un changement de coûts et identifier les codes pertinents pour cette prévision.
- Le réseau neuronal est supérieur à la régression ridge ainsi qu'à tous les modèles Morbi-RSA en termes de prise en compte du coût.
- Le réseau neuronal est meilleur que la régression ridge lorsqu'il s'agit de prévoir les patients ayant subi un changement de coûts et identifie des codes plus spécifiques.
- Notre réseau neuronal profond peut exploiter toute la complexité des dossiers du patient et surpasser les approches standard.
- La meilleure performance est due à sa capacité à incorporer des interactions complexes dans le modèle.
- Il peut également être utilisé pour présager d'autres phénotypes liés à la santé.

## Summary

Les coûts de santé précis sont essentiels pour gérer efficacement les dépenses de santé. Cependant, il manque des méthodes qui exploitent la richesse des données médicales telles que les demandes d'assurance maladie ou les dossiers médicaux électroniques. Nous avons développé un réseau neuronal profond pour prédire le coût futur à partir des demandes d'assurance maladie. Nous avons appliqué ce réseau et un modèle de régression ridge à un échantillon de 1,4 million d'assurés allemands pour prévoir le coût total des soins de santé sur une année. Les performances des deux méthodes ont été comparés aux modèles Morbi-RSA avec diverses mesures et ont également été utilisés pour prévoir les patients ayant subi un changement de coûts et identifier les codes pertinents pour cette prévision. Nos résultats montrent que le réseau neuronal est supérieur à la régression ridge ainsi qu'à tous les modèles Morbi-RSA en termes de prise en compte du coût. De plus, le réseau neuronal est meilleur que la régression ridge lorsqu'il s'agit de prévoir les patients ayant subi un changement de coûts et identifie des codes plus spécifiques. En conclusion, nous avons démontré que notre réseau neuronal profond peut exploiter toute la complexité des dossiers du patient et surpasser les approches standard. Nous suggérions que la meilleure performance est due à sa capacité à incorporer des interactions complexes dans le modèle et qu'il peut également être utilisée pour présager d'autres phénotypes liés à la santée.