論文の概要: High-Throughput Approach to Modeling Healthcare Costs Using Electronic
Healthcare Records
- arxiv url: http://arxiv.org/abs/2011.09497v2
- Date: Wed, 1 Jun 2022 05:51:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 04:37:44.941015
- Title: High-Throughput Approach to Modeling Healthcare Costs Using Electronic
Healthcare Records
- Title(参考訳): 電子カルテを用いた医療費の高スループットモデリング
- Authors: Alex Taylor, Ross Kleiman, Scott Hebbring, Peggy Peissig, David Page
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.354801701968199
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate estimation of healthcare costs is crucial for healthcare systems to
plan and effectively negotiate with insurance companies regarding the coverage
of patient-care costs. Greater accuracy in estimating healthcare costs would
provide mutual benefit for both health systems and the insurers that support
these systems by better aligning payment models with patient-care costs. This
study presents the results of a generalizable machine learning approach to
predicting medical events built from 40 years of data from >860,000 patients
pertaining to >6,700 prescription medications, courtesy of Marshfield Clinic in
Wisconsin. It was found that models built using this approach performed well
when compared to similar studies predicting physician prescriptions of
individual medications. In addition to providing a comprehensive predictive
model for all drugs in a large healthcare system, the approach taken in this
research benefits from potential applicability to a wide variety of other
medical events.
- Abstract(参考訳): 医療費の正確な見積もりは、医療システムにとって、医療費のカバーについて保険会社と計画し、効果的に交渉する上で不可欠である。
医療費を見積もる精度が向上すれば、医療システムとこれらのシステムをサポートする保険会社の双方にとって、患者医療コストと支払いモデルとの整合性が向上する。
本研究は, ウィスコンシン州マーシュフィールドクリニック(Marshfield clinic)で, 6,700の処方薬に関する80,000件の患者から得られた40年間のデータから医療イベント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。
大規模医療システムにおける全ての薬物の包括的予測モデルの提供に加えて、この研究で取られたアプローチは、他の幅広い医療イベントに適用可能なことの恩恵を受ける。
関連論文リスト
- Asclepius: A Spectrum Evaluation Benchmark for Medical Multi-Modal Large
Language Models [59.60384461302662]
医療マルチモーダル大言語モデル(Med-MLLM)を評価するための新しいベンチマークであるAsclepiusを紹介する。
Asclepiusは、異なる医療専門性と異なる診断能力の観点から、モデル能力の厳密かつ包括的に評価する。
また、6つのMed-MLLMの詳細な分析を行い、5人の専門家と比較した。
論文 参考訳(メタデータ) (2024-02-17T08:04:23Z) - Patient Outcome Predictions Improve Operations at a Large Hospital
Network [1.9399350450208843]
米国の大手病院ネットワークは、すべての入院患者の短期的および長期的成果を予測するため、学者やコンサルタントと協力している。
我々は,次の24時間/48時間放電の可能性を予測し,集中治療単位転送,終末期死亡,退院処分の確率を予測する機械学習モデルを開発した。
私たちは、毎朝データを抽出して予測を更新する自動パイプラインと、ユーザフレンドリなソフトウェアと、これらの患者レベルの予測を伝えるためのカラーコードアラートシステムを実装しています。
論文 参考訳(メタデータ) (2023-05-25T00:49:27Z) - 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) - Conditional Generation Net for Medication Recommendation [73.09366442098339]
医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。
医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。
提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-02-14T10:16:41Z) - MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence
using Federated Evaluation [110.31526448744096]
この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。
MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
論文 参考訳(メタデータ) (2021-09-29T18:09:41Z) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳(メタデータ) (2020-12-10T13:56:00Z) - Accurate and Interpretable Machine Learning for Transparent Pricing of
Health Insurance Plans [3.772148470078554]
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。
論文 参考訳(メタデータ) (2020-09-23T08:07:33Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳(メタデータ) (2020-05-07T16:13:12Z) - 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。