Deep learning for prediction of population health costs
Auteurs : Philipp Drewe-Boss, Dirk Enders, Jochen Walker, Uwe Ohler
Points clés générés par l'IA
- 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.
Résumé : Accurate prediction of healthcare costs is important for optimally managing health costs. However, methods leveraging the medical richness from data such as health insurance claims or electronic health records are missing. Here, we developed a deep neural network to predict future cost from health insurance claims records. We applied the deep network and a ridge regression model to a sample of 1.4 million German insurants to predict total one-year health care costs. Both methods were compared to Morbi-RSA models with various performance measures and were also used to predict patients with a change in costs and to identify relevant codes for this prediction. We showed that the neural network outperformed the ridge regression as well as all Morbi-RSA models for cost prediction. Further, the neural network was superior to ridge regression in predicting patients with cost change and identified more specific codes. In summary, we showed that our deep neural network can leverage the full complexity of the patient records and outperforms standard approaches. We suggest that the better performance is due to the ability to incorporate complex interactions in the model and that the model might also be used for predicting other health phenotypes.
Outils pour cet article
Posez des questions sur cet article à notre assistant IA
Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.
⚠La licence de l'article ne nous permet pas de nous appuyer sur son contenu et l'assistant IA ne peut se servir que des métadonnées de l'article plutôt que de l'article complet.
Le résumé précédent a été créé il y a plus d'un an et peut être réexécuté (si nécessaire) en cliquant sur le bouton Exécuter ci-dessous.
⚠La licence de cet article spécifique ne nous permet pas de nous appuyer sur son contenu et les outils de synthèse seront exécutés en utilisant les métadonnées de l'article plutôt que l'article complet. Cependant, l'outil produira quand même un bon résultat, et vous pouvez également essayer nos outils sur des papiers avec des licences plus ouvertes.
Articles similaires résumés avec nos outils d'IA
Naviguez à travers encore plus d'articles similaires en utilisant une
représentation arborescenteRecherchez des articles similaires (en version bêta)
Nous comparons le titre et le résumé avec les articles indexés dans notre base. Pour les articles arXiv, la recherche porte sur la même catégorie ; pour les DOI et les autres sources, elle couvre toutes les sources et disciplines. Vous pouvez la relancer à mesure que notre base s’enrichit.
Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.