論文の概要: Healthcare Cost Prediction: Leveraging Fine-grain Temporal Patterns
- arxiv url: http://arxiv.org/abs/2009.06780v1
- Date: Mon, 14 Sep 2020 22:49:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 12:52:57.879168
- Title: Healthcare Cost Prediction: Leveraging Fine-grain Temporal Patterns
- Title（参考訳）: 医療費予測 : 微粒な時間パターンの活用
- Authors: Mohammad Amin Morid, Olivia R. Liu Sheng, Kensaku Kawamoto, Travis
Ault, Josette Dorius, Samir Abdelrahman
- Abstract要約: われわれは2013年から2016年までの3年間の医療・薬局の請求データを医療保険会社から利用した。
まず患者の側頭葉データを,粗い側頭葉ではなく細粒形で使用した。
コスト予測性能を向上させるための時間パターン抽出のための新しいスパイク検出機能を開発した。
- 参考スコア（独自算出の注目度）: 1.8537353833167836
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: To design and assess a method to leverage individuals' temporal
data for predicting their healthcare cost. To achieve this goal, we first used
patients' temporal data in their fine-grain form as opposed to coarse-grain
form. Second, we devised novel spike detection features to extract temporal
patterns that improve the performance of cost prediction. Third, we evaluated
the effectiveness of different types of temporal features based on cost
information, visit information and medical information for the prediction task.
Materials and methods: We used three years of medical and pharmacy claims
data from 2013 to 2016 from a healthcare insurer, where the first two years
were used to build the model to predict the costs in the third year. To prepare
the data for modeling and prediction, the time series data of cost, visit and
medical information were extracted in the form of fine-grain features (i.e.,
segmenting each time series into a sequence of consecutive windows and
representing each window by various statistics such as sum). Then, temporal
patterns of the time series were extracted and added to fine-grain features
using a novel set of spike detection features (i.e., the fluctuation of data
points). Gradient Boosting was applied on the final set of extracted features.
Moreover, the contribution of each type of data (i.e., cost, visit and medical)
was assessed.
Conclusions: Leveraging fine-grain temporal patterns for healthcare cost
prediction significantly improves prediction performance. Enhancing fine-grain
features with extraction of temporal cost and visit patterns significantly
improved the performance. However, medical features did not have a significant
effect on prediction performance. Gradient Boosting outperformed all other
prediction models.
- Abstract（参考訳）: 目的:個人の時間的データを利用して医療費を予測する方法の設計と評価を行う。
この目的を達成するために、まず患者の時間データを粗粒化ではなく細粒化して使用した。
第2に,コスト予測性能を向上させるための時間パターン抽出のための新しいスパイク検出機能を開発した。
第3に,予測作業における費用情報,訪問情報,医療情報に基づく時間的特徴の異なる種類の有効性を評価した。
資料と方法:2013年から2016年までの3年間の医療・薬局の請求データを医療保険会社から提供し、最初の2年間は3年目のコストを予測するためにモデルを構築した。
モデリングおよび予測のためのデータを作成するために、細粒度特徴(例えば、各時系列を連続したウィンドウのシーケンスに分割し、合計などの様々な統計で各ウィンドウを表す)の形で、コスト、訪問、医療情報の時系列データを抽出した。
次に,新しいスパイク検出機能(すなわち,データ点のゆらぎ)を用いて,時系列の時間パターンを抽出し,細粒化に付加した。
グラデーションブースティングは、抽出された特徴の最終セットに適用された。
さらに,各種類のデータ(コスト,訪問,医療など)の寄与を評価した。
結論: 医療費予測に微粒の時間パターンを利用すると、予測性能が大幅に向上する。
時間的コストと訪問パターンの抽出による微粒化機能の向上は性能を著しく向上させた。
しかし,医療的特徴は予測性能に有意な影響を与えなかった。
勾配ブースティングは、他の全ての予測モデルよりも優れていた。
関連論文リスト
- Enhancing Uncertain Demand Prediction in Hospitals Using Simple and Advanced Machine Learning [3.9054437595657534]
イスラエルのランバム医療センターの患者ケア需要データを用いて, 両モデルが時間差の患者需要を効果的に捉えていることを示す。
機械学習を用いて3日または1週間前に、患者のケア需要を精度よく予測できる(約4人)。
論文 参考訳（メタデータ） (2024-04-29T13:05:59Z) - Contrastive Difference Predictive Coding [79.74052624853303]
本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。
目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
論文 参考訳（メタデータ） (2023-10-31T03:16:32Z) - 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) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。
生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。
今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文 参考訳（メタデータ） (2022-11-13T01:07:23Z) - MedGPT: Medical Concept Prediction from Clinical Narratives [0.23488056916440858]
患者の医療履歴の時間的モデリングは、将来の出来事を予測するのに使用できる。
名前付きエンティティ認識とリンクツールを用いたトランスフォーマーベースのパイプラインであるMedGPTを提案する。
本モデルでは, 医療用多選択肢質問応答タスクを用いて, 医療知識を抽出し, 評価を行った。
論文 参考訳（メタデータ） (2021-07-07T10:36:28Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - Learning Hidden Patterns from Patient Multivariate Time Series Data
Using Convolutional Neural Networks: A Case Study of Healthcare Cost
Prediction [2.1725910903497176]
我々は、畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて、効果的でスケーラブルな患者コスト予測手法を開発した。
われわれは2013年から2016年までの3年間の医療・薬局の請求データを医療保険会社から利用した。
論文 参考訳（メタデータ） (2020-09-14T23:11:19Z) - Temporal Phenotyping using Deep Predictive Clustering of Disease
Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。
2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文 参考訳（メタデータ） (2020-06-15T20:48:43Z)
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。