使用机器学习预测医疗保健总需求:对诱导因素,促使因素和需求因素的单独和综合分析

科学领域:

• 医疗保健服务研究 医疗服务研究
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 有效的医疗需求预测对于最佳的资源配置和战略健康政策制定至关重要.
• 安德森的健康服务使用行为模型提供了一个框架,以理解基于倾向,启用和需求因素的医疗保健利用情况.
• 机器学习 (ML) 为复杂的健康数据提供了先进的分析能力,提高了预测准确度.

研究的目的:

• 应用ML模型来使用安德森的行为模型预测医疗需求.
• 确定影响土耳其医疗保健利用的重大倾向性,支持性和需求因素.
• 评估各种ML算法的性能,以预测医疗需求.

主要方法:

• 利用了来自TUIK的2022年土耳其健康调查数据.
• 应用了七个ML模型:决策树,随机森林,SVM,KNN,物流回归,XGBoost和梯度提升.
• 进行特征选择和评估模型,使用回忆,精度,F1得分和ROC AUC.

主要成果:

• 关键预测因素包括性别,教育,年龄 (倾向性);治疗费用,社区利益,支付困难 (支持);吸烟,慢性疾病,健康状况 (需要).
• ML模型实现了高回忆率 (~0.90) 和F1得分 (0.87-0.88).
• 梯度提升,XGBoost和后勤回归表现出卓越的预测准确性和概括性.

结论:

• 机器学习方法在预测医疗需求方面非常有效,为卫生政策提供了宝贵的见解.
• 建议使用梯度提升,XGBoost和后勤回归来进行可靠的医疗需求预测.
• 了解行为因素的相互作用可以增强数据驱动的医疗保健规划和资源配置.