在使用特征选择的PCI患者中,基于机器学习的医疗费用预测

科学领域:

• 心血管医学 心血管医学
• 卫生经济学 卫生经济学
• 医疗信息学 医疗信息学

背景情况:

• 通过皮肤冠状动脉干预 (PCI) 和冠状动脉旁路移植 (CABG) 等重血管化疗法对于治疗心肌缺血至关重要.
• 多血管疾病患者,特别是那些接受三血管PCI的患者,面临更高的并发症风险和相关的医疗费用.
• 由于医疗保健支出不断增加和心血管疾病管理预算限制,有效的资源配置至关重要.

研究的目的:

• 开发一个准确的评估模型来估计PCI手术成本.
• 确定影响PCI程序财务费用的关键因素.
• 通过更好的成本预测和资源管理,提高医疗保健质量.

主要方法:

• 利用台湾国家健康保险研究数据库 (NHIRD),覆盖了几乎整个人口.
• 分析了2015年1月至2017年12月期间接受治疗的三重血管PCI患者的数据.
• 采用六个机器学习算法 (包括极端梯度提升) 和交叉验证来构建和验证成本预测模型.

主要成果:

• 极端梯度增强 (eXGB) 模型在成本预测方面表现出卓越的性能 (MSE:0.02419,RMSE:0.15552,MAPE:0.00755).
• 确定了25个影响外科手术成本的重要特征,前一年的药物使用是至关重要的.
• 最重要的预测变量包括PCI前的医疗支出,输血量,呼吸机使用,并发症指数,急救诊所访问和患者年龄.

结论:

• 开发的eXGB模型有效估计PCI手术成本,并确定影响成本的关键因素.
• 这些发现对于预测与PCI并发症相关的费用和优化资源配置至关重要.
• 这项研究为心血管保健医疗管理政策制定提供了有价值的框架.