Jove
Visualize
Contáctanos

Videos de Experimentos Relacionados

Predicción de la elegibilidad para pensiones por discapacidad utilizando aprendizaje automático. Identificación de

Corinne Mette1, Dorian Verboux2, Antoine Rachas1

  • 1Direction de la stratégie, des études et des statistiques, Caisse nationale de l'Assurance maladie, Paris, France.

Sante publique (Vandoeuvre-les-Nancy, France)
|February 13, 2026
PubMed
Resumen

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Maternal RSVpreF Immunisation Against Infant RSV Hospitalisation: Nationwide Population-Based Effectiveness and Durability Study.

The Lancet regional health. Europe·2026
Same author

Nationwide trends in paediatric pacemaker implantation in France, 2014-2024.

Europace : European pacing, arrhythmias, and cardiac electrophysiology : journal of the working groups on cardiac pacing, arrhythmias, and cardiac cellular electrophysiology of the European Society of Cardiology·2026
Same author

Dual Immunization Against RSV With RSVpreF and Nirsevimab.

JAMA pediatrics·2026
Same author

The ReDSiam network: cataloging, developing, and evaluating algorithms to identify pathologies in the French National Health Data System (SNDS).

Journal of epidemiology and population health·2026
Same author

Inter-physician heterogeneity in colorectal cancer screening participation in France: a study based on the French National Health Data System.

Archives of public health = Archives belges de sante publique·2026
Same author

Comparative acceptability of first-line antidepressants among older adults using filled prescription sequences: A nationwide cohort study.

Journal of affective disorders·2026
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

El aprendizaje automático supervisado puede identificar a las personas con alto riesgo de elegibilidad para pensiones por discapacidad. Los predictores clave incluyen el permiso de enfermedad prolongado y la edad avanzada, lo que ayuda a dirigir las políticas sociales preventivas.

Área de la Ciencia:

  • Salud Pública; Ciencia de Datos; Política Social

Sus antecedentes:

  • Las pensiones por discapacidad tienen importantes impactos económicos personales y sociales, con costos crecientes.; Se necesitan estrategias preventivas para mitigar estas consecuencias identificando a las personas en riesgo.; La inteligencia artificial ofrece nuevas posibilidades para la identificación de riesgos.

Objetivo del estudio:

  • Aplicar aprendizaje automático supervisado para predecir la elegibilidad para pensiones por discapacidad.; Identificar personas con alta probabilidad de elegibilidad para pensiones basándose en datos sociodemográficos y médicos.; Analizar los factores que influyen en el riesgo de incapacidad laboral a largo plazo.

Principales métodos:

  • Análisis comparativo de datos sociodemográficos y médicos (2014-2016) de beneficiarios del bienestar público francés (20-64 años).; Se utilizaron regresión logística, árboles de decisión, bosques aleatorios, naive Bayes y máquinas de vectores de soporte para la clasificación.; Se evaluó el rendimiento del modelo utilizando precisión, exactitud, sensibilidad, especificidad y AUC.
Palabras clave:
Inteligencia artificialSeguro de invalidezPronósticoSeguridad socialAprendizaje automático supervisado

Videos de Experimentos Relacionados

Principales resultados:

  • La regresión logística potenciada mostró un fuerte rendimiento general pero una sensibilidad limitada.; Las máquinas de vectores de soporte lograron la mayor sensibilidad, con una precisión comparable pero menor precisión y especificidad.; Los bosques aleatorios demostraron el mejor poder discriminatorio.; Los factores predictivos incluyeron más de 30 días de baja por enfermedad y el grupo de edad de 55 a 64 años.

Conclusiones:

  • Los métodos de aprendizaje supervisado son eficaces para identificar a las personas con alto riesgo de pensión por discapacidad.; Estos métodos pueden informar y guiar el desarrollo de políticas públicas y sociales.; Se pueden desarrollar intervenciones específicas basadas en los conocimientos del modelado predictivo.