多发性硬化症风险分层和医疗保健成本预测使用机器学习

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 慢性疾病管理 慢性疾病管理

背景情况:

• 医疗保健数据的可用性正在增加,使得多发性硬化症 (MS) 等慢性疾病的积极管理成为可能.
• 该研究旨在开发一种机器学习 (ML) 方法来识别高风险多发性硬化症患者,并预测他们的医疗保健支出.

研究的目的:

• 开发和评估一种机器学习 (ML) 框架,用于预测多发性硬化症 (MS) 患者的高医疗支出.
• 将ML模型的预测准确度与传统的历史支出评估进行比较.

主要方法:

• 对超过2.67万个人 (2016年1月至2018年6月) 的非识别商业保险索赔的回顾性分析,其中631人患有MS.
• 培训72个ML回归和63个分类模型,以预测在接下来的四个月内最高十分位数的医疗保健支出.
• 将ML模型的性能与四个月和一个月的历史支出数据进行比较.

主要成果:

• 多发性硬化症患者,占人口的<0.3%,占医疗保健总支出的>2.5%.
• 机器学习模型捕获了最高十分之一支出的76.0%,明显优于四个月 (43.5%) 和一个月 (36.5%) 的历史方法.
• 经过ML方法,发现更多的个体过渡到高成本状态,这表明早期临床干预的潜力.

结论:

• 一个概念验证的ML框架准确地预测了即将到来的高成本的MS患者,超过了回顾性方法.
• 研究结果表明,在多发性硬化症护理中,有潜在的积极风险分层和资源配置.
• 需要进一步的研究,以有效地将ML预测纳入临床实践.