高支出クローン病患者の早期特定のための機械学習フレームワーク：レセプト請求データを利用して

科学分野:

• 健康情報学; 機械学習の応用; 消化器病学

背景:

• クローン病（CD）は、高い医療費と関連しています。高コスト患者の正確な予測は、リソースの割り当てと介入戦略にとって非常に重要です。

研究 の 目的:

• 医療費の上位四分位層に属するCD患者を予測するための機械学習（ML）モデルを開発および評価すること。従来の予測方法と比較して、MLモデルの予測精度とリードタイムを評価すること。

主な方法:

• 約267,000人のメンバー（CD患者994人を含む）の、匿名化された民間レセプト請求データ（2016年から2018年）を使用しました。支出、人口統計、診断、処置、および薬剤コードを含む月次患者データを集計しました。クロスバリデーションを使用して7つのMLアルゴリズムファミリーを調整し、高コスト支出を予測する能力を将来的にテストしました。

主要な成果:

• 機械学習モデルは、上位四分位層のメンバーによる支出の80%を予測し、ベースラインの過去の方法（67%および62%）を大幅に上回りました。4ヶ月の過去の方法と比較して、毎月新規の高コスト患者をほぼ2倍特定しました。機械学習モデルは、過剰なコストを引き起こす入院患者の遭遇を予測する上でより高い精度を示しました。

結論:

• レセプト請求データに基づく機械学習モデルは、支払者および臨床医が患者管理を最適化し、緊急入院を削減する可能性のある貴重なリードタイムを提供します。標準的なレセプト請求データを使用したこの機械学習フレームワークは、支出に大きなばらつきがある他の状態での高コスト予測にも適応可能です。将来的な検証により、機械学習モデルが、高コストのCD患者を特定するための短期的なリスク層別化を強化することが確認されました。