使用行政索赔数据将癌症阶段分配给患者:结肠和直肠癌的一个例子

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 在诊断时结肠直肠癌 (CRC) 的分期对于治疗和预后至关重要.
• 行政索赔数据提供了大量的患者信息资源,但需要复杂的分析来获得临床见解.
• 仅使用索赔数据进行准确的分期可以提高对CRC患者群体的理解.

研究的目的:

• 开发机器学习模型,用于预测结直肠癌在诊断时的阶段,仅使用行政索赔数据.
• 评估医疗保健费用和结直肠癌诊断阶段在医疗保险和商业保险人群之间的关系.
• 根据预测的癌症阶段,评估不同保险覆盖范围之间的成本变化.

主要方法:

• 设计了多项逻辑回归模型,从治疗和索赔数据中的人口变量中预测癌症阶段.
• 应用预测阶段模型到医疗保险费用服务 (FFS) 和商业保险结直肠癌患者队列.
• 分析了由预测阶段和保险类型分层的累计医疗保健费用 (诊断后1-3年).

主要成果:

• 在预测癌症阶段方面取得了很高的准确性:结肠癌为83%,直肠癌为69%.
• 晚期诊断的患者 (IIC/III/IV) 的医疗费用比早期诊断的患者 (0/I/IIA/IIB) 高2至4倍.
• 与Medicare FFS患者相比,商业保险患者的平均成本高出30-40%.

结论:

• 机器学习模型有效地预测结直肠癌的阶段,仅使用行政索赔数据.
• 预测癌症阶段是医疗保健成本的重要决定因素,以后的诊断成本要高得多.
• 早期诊断结直肠癌可能会大大降低整体治疗成本.