Marco de aprendizaje automático para la identificación temprana de pacientes con enfermedad de Crohn de alto gasto...

Área de la Ciencia:

• Informática de la Salud
• Aplicaciones de aprendizaje automático
• Gastroenterología

Sus antecedentes:

• La enfermedad de Crohn (EC) se asocia con altos gastos en atención médica.
• La predicción precisa de pacientes de alto costo es crucial para la asignación de recursos y las estrategias de intervención.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje automático (ML) para predecir pacientes con EC en el cuartil superior de gasto en atención médica.
• Evaluar la precisión predictiva y el tiempo de anticipación proporcionados por los modelos de ML en comparación con los métodos tradicionales.

Principales métodos:

• Se utilizaron datos de reclamaciones comerciales desidentificados (2016-2018) para aproximadamente 267 000 miembros, incluidos 994 casos de EC.
• Se agregaron datos mensuales de pacientes que incluyen gasto, datos demográficos, diagnósticos, procedimientos y códigos de medicamentos.
• Se ajustaron siete familias de algoritmos de ML utilizando validación cruzada y se probaron prospectivamente sus capacidades para predecir gastos de alto costo.

Principales resultados:

• Los modelos de ML predijeron el 80% del gasto de los miembros del cuartil superior, superando significativamente los métodos históricos de referencia (67% y 62%).
• Identificaron casi el doble de pacientes nuevos de alto costo mensualmente en comparación con el método histórico de 4 meses.
• Los modelos de ML demostraron una mayor precisión para anticipar los encuentros hospitalarios que impulsan los costos excesivos.

Conclusiones:

• Los modelos de ML basados en reclamaciones proporcionan un valioso tiempo de anticipación para que los pagadores y los médicos optimicen la gestión de los pacientes y reduzcan potencialmente las admisiones de emergencia.
• Este marco de ML, que utiliza datos de reclamaciones estándar, es adaptable para predecir altos costos en otras afecciones con variaciones significativas en el gasto.
• La validación prospectiva confirma que los modelos de ML mejoran la estratificación del riesgo a corto plazo para identificar pacientes con EC de alto costo.