論文の概要: Accurate and Interpretable Machine Learning for Transparent Pricing of Health Insurance Plans

• arxiv url: http://arxiv.org/abs/2009.10990v2
• Date: Sat, 27 Feb 2021 22:47:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 15:55:22.283418
• Title: Accurate and Interpretable Machine Learning for Transparent Pricing of Health Insurance Plans
• Title（参考訳）: 健康保険プランの透明価格設定のための正確かつ解釈可能な機械学習
• Authors: Rohun Kshirsagar, Li-Yen Hsu, Vatshank Chaturvedi, Charles H. Greenberg, Matthew McClelland, Anushadevi Mohan, Wideet Shende, Nicolas P. Tilmans, Renzo Frigato, Min Guo, Ankit Chheda, Meredith Trotter, Shonket Ray, Arnold Lee, Miguel Alvarado
• Abstract要約: 医療保険会社は米国人口の半分をカバーし、年間1.2兆米ドルを支払って会員の医療費をカバーしている。 医療保険会社におけるアクチュアリーとアンダーライターの役割は、どのリスクを取るか、そのリスクをどのように価格で評価し、組織の利益性を確保するのに役立つ。 患者レベルと雇用者レベルという2つのモデルを作成し,雇用者グループに対する年会費の予測を行った。 我々のモデルは、保険会社の既存の価格モデルよりも20%良いパフォーマンスを示し、譲歩機会の84%を特定できた。
• 参考スコア（独自算出の注目度）: 3.772148470078554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Health insurance companies cover half of the United States population through commercial employer-sponsored health plans and pay 1.2 trillion US dollars every year to cover medical expenses for their members. The actuary and underwriter roles at a health insurance company serve to assess which risks to take on and how to price those risks to ensure profitability of the organization. While Bayesian hierarchical models are the current standard in the industry to estimate risk, interest in machine learning as a way to improve upon these existing methods is increasing. Lumiata, a healthcare analytics company, ran a study with a large health insurance company in the United States. We evaluated the ability of machine learning models to predict the per member per month cost of employer groups in their next renewal period, especially those groups who will cost less than 95\% of what an actuarial model predicts (groups with "concession opportunities"). We developed a sequence of two models, an individual patient-level and an employer-group-level model, to predict the annual per member per month allowed amount for employer groups, based on a population of 14 million patients. Our models performed 20\% better than the insurance carrier's existing pricing model, and identified 84\% of the concession opportunities. This study demonstrates the application of a machine learning system to compute an accurate and fair price for health insurance products and analyzes how explainable machine learning models can exceed actuarial models' predictive accuracy while maintaining interpretability.
• Abstract（参考訳）: 医療保険会社は、商業雇用主が支援する健康計画を通じて米国人口の半分をカバーし、会員の医療費を毎年1.2兆米ドルを支払っている。 医療保険会社におけるアクチュアリーとアンダーライターの役割は、どのリスクを取るか、そのリスクをどのように価格で評価し、組織の利益性を確保するのに役立つ。 ベイジアン階層モデルはリスクを推定する現在の業界標準であるが、既存の手法を改善する手段として機械学習への関心が高まっている。 医療分析会社であるlumiataは、米国内の大手医療保険会社と調査を行った。 機械学習モデルを用いて,次の更新期間における雇用者集団の月1人当たりのコストを予測する能力,特にアクチュアリアルモデルが予測するコストの95%未満のグループ(「譲歩機会のあるグループ」)について評価した。 本研究は,1400万人の患者を対象に,個人患者レベルと雇用者グループレベルという2つのモデルを用いて,雇用者グループ毎の年会費の予測を行った。 当社のモデルでは,保険業者の既存価格モデルよりも20%,譲歩機会の84%を達成できた。 本研究は,医療保険製品の正確で公正な価格を計算するための機械学習システムの応用を実証し,解釈可能性を維持しながら,機械学習モデルがアクチュアリルモデルの予測精度をいかに超えるかを分析する。

関連論文リスト

• Introducing the Large Medical Model: State of the art healthcare cost and risk prediction with transformers trained on patient event sequences [0.47901560316389713]
  大規模医療モデル(Large Medical Model, LMM)は、患者医療と医療管理の幅広い側面をガイドし、予測するために設計された、GPT(Generative Pre-trained Transformer)である。 このモデルは、医療用語システムから構築された特別な語彙を用いて、1億4000万件以上の患者の主張記録から医療イベントシーケンスに基づいて訓練されている。 LMMは、最高の商用モデルよりも14.1%のコスト予測と、幅広い条件を予測する研究において最高のトランスフォーマーモデルよりも1.9%の慢性的な条件予測の両方を改善できる。
  論文  参考訳（メタデータ） (2024-09-19T15:38:21Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Insuring Smiles: Predicting routine dental coverage using Spark ML [0.19285000127136376]
  我々は、機械学習アルゴリズムを利用して、健康保険計画が成人の定期的な歯科医療サービスをカバーするかどうかを予測する。 我々の目標は、個人や家族が収入と経費に基づいて最も適切な保険計画を選択するための臨床戦略を提供することである。
  論文  参考訳（メタデータ） (2023-10-13T16:31:51Z)
• Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
  本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。 デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。 これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
  論文  参考訳（メタデータ） (2023-07-12T01:11:52Z)
• Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
  本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。 このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。 患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
  論文  参考訳（メタデータ） (2023-06-29T23:36:04Z)
• 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)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• High-Throughput Approach to Modeling Healthcare Costs Using Electronic Healthcare Records [5.354801701968199]
  本研究は6,700種類の処方薬に関する80,000人の患者から得られた40年間のデータから構築された医療事象を予測するための汎用的な機械学習手法の結果を報告する。 この手法を用いて構築したモデルは、個々の医薬品の処方薬を予測する同様の研究と比較すると、良好な結果が得られた。
  論文  参考訳（メタデータ） (2020-11-18T19:06:18Z)
• 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)
• Using massive health insurance claims data to predict very high-cost claimants: a machine learning approach [43.861384583351835]
  ハイコスト請求者 (HiCCs) は被保険者の0.16%を占めるが、医療費の9%を占める。 機械学習を用いて二分分類モデルの訓練を行い、HiCCの個人的リスクを計算した。 以上の結果から,クレームデータと公開データのみを用いて高い性能の予測モデルを構築できることが示唆された。
  論文  参考訳（メタデータ） (2019-12-30T18:01:30Z)

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。