在脊椎外科手术中,用于风险分层捆绑支付的多式机器学习

科学领域:

• 卫生经济学 卫生经济学
• 医疗信息学 医疗信息学
• 脊柱外科手术 脊柱外科手术

背景情况:

• 基于价值的护理模式正在改变医疗补偿.
• 脊柱手术的复杂性给标准化捆绑支付模式带来了挑战.
• 准确的财务预测对于可持续的医疗保健服务至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于预测脊柱外科手术中的财务异常值.
• 整合结构化的临床数据和非结构化的外科医生笔记,以提高预测准确度.
• 为制定风险分层,针对患者的具体支付计划提供信息.

主要方法:

• 开发了一个多式机器学习模型,使用结构化临床数据和外科医生笔记的自然语言处理 (NLP).
• 利用了1898年脊柱手术患者的数据集.
• 使用ROC-AUC用于预测总和可变成本异常值的验证模型性能.

主要成果:

• 该模型实现了高预测性能 (ROC-AUC为总成本0.845,可变成本为0.883).
• 确定11.0%的患者是财务异常值,导致重大财务损失.
• 金融异常指标显示,ICU入院增加,90天的重新手术和更长的停留时间 (LOS) 增加.

结论:

• 一个风险分层的机器学习模型可以准确地预测脊柱手术中的财务异常值.
• 个性化,基于风险的支付模式是必要的,以便在脊椎手术中获得公平的补偿.
• 实施此类模型可以提高支付公平性,并使资源分配与患者复杂性保持一致.