风险分层模型用于预测商业保险后期中年成人患有抑郁症的可预防住院治疗

科学领域:

• 老年学是一门学科.
• 医疗保健服务研究 医疗服务研究
• 医疗信息学 医疗信息学

背景情况:

• 患有抑郁症的中年后期成年人往往会因慢性疾病而承受较高的疾病负担,增加住院的风险.
• 商业医疗保险索赔是识别抑郁症患者住院风险的未充分利用的数据来源.
• 一个非专有模型被开发出来,用机器学习来预测抑郁症成年人的住院风险.

研究的目的:

• 开发和验证一个预测模型,用于识别患有抑郁症的中年后期成年人,有住院风险.
• 评估医疗保险索赔数据对预测可预防住院治疗的有用性.
• 为了比较各种建模方法的性能,包括机器学习技术.

主要方法:

• 对71,682名有商业保险的55-64岁的成年人进行了回顾性队列研究,他们患有抑郁症.
• 使用的国家医疗保险索赔以捕捉人口统计数据,医疗保健利用率和70种慢性/46种心理健康状况.
• 评估了七种建模方法,包括后勤回归和机器学习 (LASSO,随机森林,梯度增强机),用于1年和2年的可预防住院预测.

主要成果:

• 一年住院预测模型的AUC为0.803 (灵敏度为72%,特异性为76%).
• 2年住院预测模型的AUC为0.793 (灵敏度为76%,特异性为71%).
• 使用LASSO惩罚的后勤回归在预测1年和2年住院风险方面优于其他机器学习模型 (RF,GBM).

结论:

• 医疗保险索赔数据,包括人口统计和诊断代码,可以有效地识别患有抑郁症的成年人,他们面临未来住院的高风险.
• 这种预测能力可以帮助医疗保健规划人员制定查策略和资源配置.
• 这些发现支持为这一群体进行主动干预,因为他们过渡到公共资助的医疗保健计划.