预测获得残疾养老金资格的风险:机器学习方法应用于法国健康数据
Corinne Mette1, Dorian Verboux1,2, 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 22, 2024
概括
机器学习模型可以识别高风险的残疾养老金资格的个人,帮助预防性社会政策. 关键预测因素包括延长病假和老年,使得有针对性的干预措施.
科学领域:
- 卫生经济学 卫生经济学
- 社会政策 社会政策 社会政策
- 数据科学数据科学数据科学
背景情况:
- 残疾养老金对个人和社会产生重大身体,心理和财务影响,成本不断上升.
- 针对有风险的个人采取预防措施至关重要,但具有挑战性.
- 人工智能为识别那些面临残疾养老金索赔风险的人提供了新的可能性.
研究的目的:
- 开发和评估监督机器学习模型,用于预测残疾人养老金资格.
- 确定与未来的残疾养老金索赔相关的社会人口和医疗因素.
- 通过识别具有高养老资格概率的个人,使主动干预成为可能.
主要方法:
- 对比2017年收到残疾养老金的法国公共福利受益人 (2014-2016) 的社会人口和医疗数据,与没有收到残疾养老金的人相比.
- 利用后勤回归,决策树,随机森林,天真贝叶斯和支持向量机来进行分类.
- 使用准确度,精度,灵敏度,特异性和曲线下面面积 (AUC) 评估模型性能.
主要成果:
- 增强后勤回归显示出强大的整体性能,但敏感性有限.
- 支持向量机实现了最高的灵敏度,准确度相似,但精度和特异性较低.
- 随机森林表现出最好的区分能力.
- 预测因素包括>=30天的病假 (2014-2016) 和年龄 (55-64岁).
结论:
- 监督学习方法是有效的识别个人在高风险的残疾养老金资格.
- 这些预测模型可以为公共和社会政策提供信息和指导,以便更好地分配和干预资源.
- 针对长期病假和老年人群的个体可以成为预防的关键策略.
