使用机器学习模型预测患有炎症性肠道疾病的Medicare服务费受益人自我管理的生物不坚持

科学领域:

• 生物医学信息学是生物医学信息学.
• 医疗服务研究 医疗服务研究
• 机器学习在医疗保健中的应用

背景情况:

• 在炎症性肠病 (IBD) 中不遵守生物疗法会导致疾病爆发和不良结果.
• 准确预测不遵守是及时干预的关键.

研究的目的:

• 开发机器学习模型,利用Medicare服务费索赔预测IBD患者的药物不服药情况.
• 评估各种机器学习模型的性能,以识别不粘附的生物疗法器件.

主要方法:

• 使用的医疗保险服务费索赔数据从2017-2021年用于IBD的受益人.
• 在受益者和发放水平上定义的不遵守,不包括不完整的数据或不够的生物发放.
• 训练和评估了16个机器学习模型,使用AUC,准确性,F1分数,P/NPV,灵敏度和特异性来评估性能.

主要成果:

• 10,160名受益人符合标准;13.3%的受益人表示不符合标准.
• 以前的不遵守强烈预测了当前的不遵守 (OR 2.65).
• 随机森林和包装模型显示了合理的预测性能 (AUC ~ 0.7),而包装模型提供了更高的灵敏度 (51%).

结论:

• 使用Medicare索赔数据的机器学习模型可以合理预测IBD中的药物不服药.
• 包装模型,由于其较低的假阴性率,是临床决策支持工具的潜在候选者,以增强坚持.