对比深度学习和经典回归方法来预测医疗保健支出和支出:系统审查

科学领域:

• 医疗分析 医疗分析
• 机器学习在医学中的应用
• 预测建模的预测建模.

背景情况:

• 预测个人级别的医疗保健成本对于资源配置和财务规划至关重要.
• 传统的回归和基于树的模型已被广泛使用,但它们在复杂的纵向数据上的性能仍在争论中.
• 深度学习架构有可能提高医疗成本预测的准确性.

研究的目的:

• 系统地审查和比较深度学习模型与传统回归和基于树的模型的性能,以预测个人级别的医疗保健成本.
• 分析各种数据背景和研究设计中的性能差异.
• 评估复杂性-性能假设在这个领域的适用性.

主要方法:

• 对2025年8月之前发表的研究进行了预先注册的系统审查.
• 在Web of Science,PubMed,Embase和Scopus数据库中进行了搜索.
• 符合条件的研究包括个人级别的真实世界数据 (索赔,电子健康记录,注册表),并将深度学习与成本预测的经典模型进行比较.

主要成果:

• 八项研究符合纳入标准,深度学习模型 (LSTM,CNN-LSTM) 在纵向成本预测方面表现优于传统模型 (10-20%的RMSE/MAE减少).
• 之前的成本和利用率是关键预测因素;社会决定因素和自由文本数据未得到充分利用.
• 对于横截面数据,通用线性模型和基于树的方法显示出强大的性能和可解释性.

结论:

• 深度学习为序列丰富,纵向的医疗保健成本预测提供了显著的优势.
• 基于树的方法仍然是横截面表格数据预测的强有力的竞争者.
• 模型性能与数据的复杂性有关,与复杂性-性能假说保持一致.