論文の概要: Deep Claim: Payer Response Prediction from Claims Data with Deep Learning

• arxiv url: http://arxiv.org/abs/2007.06229v1
• Date: Mon, 13 Jul 2020 08:05:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 23:31:28.655884
• Title: Deep Claim: Payer Response Prediction from Claims Data with Deep Learning
• Title（参考訳）: Deep Claim: ディープラーニングによる請求データからの支払応答予測
• Authors: Byung-Hak Kim, Seshadri Sridharan, Andy Atwal and Varun Ganapathi
• Abstract要約: 深層学習ベースのフレームワークであるDeep Claimは,2つの米国保健システムから,2,905,026件の非特定クレームデータを用いて,複数の支払者からのさまざまな応答を正確に予測できることを示す。 ディープ・クレイムが慎重に選択した基準線に対する改善は、主張の否定を予測し、健康システムAの相対的なリコールゲイン(95%精度)が22.21%と最も高い。
• 参考スコア（独自算出の注目度）: 0.16058099298620418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Each year, almost 10% of claims are denied by payers (i.e., health insurance plans). With the cost to recover these denials and underpayments, predicting payer response (likelihood of payment) from claims data with a high degree of accuracy and precision is anticipated to improve healthcare staffs' performance productivity and drive better patient financial experience and satisfaction in the revenue cycle (Barkholz, 2017). However, constructing advanced predictive analytics models has been considered challenging in the last twenty years. That said, we propose a (low-level) context-dependent compact representation of patients' historical claim records by effectively learning complicated dependencies in the (high-level) claim inputs. Built on this new latent representation, we demonstrate that a deep learning-based framework, Deep Claim, can accurately predict various responses from multiple payers using 2,905,026 de-identified claims data from two US health systems. Deep Claim's improvements over carefully chosen baselines in predicting claim denials are most pronounced as 22.21% relative recall gain (at 95% precision) on Health System A, which implies Deep Claim can find 22.21% more denials than the best baseline system.
• Abstract（参考訳）: 毎年約10%の請求が支払者(すなわち健康保険計画)によって拒否される。 これらの否定や未払いの回収コストにより、高い精度と精度のクレームデータから支払者の反応(支払の支払いなど)を予測することで、医療スタッフのパフォーマンス生産性を向上し、患者の財政経験と収益サイクルの満足度を向上させることが期待されている(Barkholz, 2017)。 しかし、先進的な予測分析モデルの構築は、過去20年間に困難だと考えられてきた。 以上より,高次クレーム入力における複雑な依存関係を効果的に学習することにより,患者の歴史的クレーム記録の(低次)文脈依存型コンパクト表現を提案する。 この新たな潜伏表現に基づいて、深層学習ベースのフレームワークであるDeep Claimが、米国の2つの医療システムからの2,905,026件の非特定クレームデータを使用して、複数の支払者からのさまざまな応答を正確に予測できることを実証した。 ディープ・クレイムが慎重に選択した基準線に対する改善は、主張拒否の予測において最も顕著に発音され、健康システムAの相対的リコールゲイン(95%精度)は22.21%である。

関連論文リスト

• Contrastive Learning to Improve Retrieval for Real-world Fact Checking [84.57583869042791]
  ファクト・チェッキング・リランカ(Contrastive Fact-Checking Reranker, CFR)を提案する。 我々はAVeriTeCデータセットを活用し、証拠文書からの人間による回答とクレームのサブクエストを注釈付けする。 データセットの精度は6%向上した。
  論文  参考訳（メタデータ） (2024-10-07T00:09:50Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Building predictive models of healthcare costs with open healthcare data [0.0]
  本稿では,機械学習技術を用いた予測モデル開発手法を提案する。 我々は2016年に230万件の患者データを分析した。 私たちは、患者の診断と人口統計からコストを予測するモデルを構築しました。
  論文  参考訳（メタデータ） (2023-04-05T02:12:58Z)
• Predicting Visit Cost of Obstructive Sleep Apnea using Electronic Healthcare Records with Transformer [0.0]
  肥満の増加に伴い、多くの国で閉塞性睡眠時無呼吸症(OSA)が増加傾向にある。 治療目的では,OSA患者の来院費の予測が重要である。 OSA患者のデータのうち3分の1は、分析モデルのトレーニングに利用できる。
  論文  参考訳（メタデータ） (2023-01-28T20:08:00Z)
• Applications of Machine Learning to the Identification of Anomalous ER Claims [0.0]
  不適切な医療保険の支払いは、米国で毎年数千億ドルの医療費を負担する。 この記事では、ERクレームに特化している2つの戦略について述べる。 平均符号化異常スコアの統計的に有意な差は, 既往のERと急性病院で観察される。
  論文  参考訳（メタデータ） (2022-06-16T11:19:04Z)
• A strategy to identify event specific hospitalizations in large health claims database [0.0]
  特定のイベントによる入院を分類するための枠組みを提案する。 我々は、新型コロナウイルス(COVID-19)陽性の米国成人約400万人を対象に、この枠組みを健康保険請求データベースでテストする。
  論文  参考訳（メタデータ） (2021-10-25T19:50:18Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Deep learning for prediction of population health costs [0.0]
  我々は、健康保険請求記録から将来のコストを予測するディープニューラルネットワークを開発した。 深層ネットワークと隆起回帰モデルを用いて, ドイツの保険業者14万人を対象に, 全1年間の医療費の予測を行った。
  論文  参考訳（メタデータ） (2020-03-06T23:33:39Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。