論文の概要: Towards a fairer reimbursement system for burn patients using cost-sensitive classification

• arxiv url: http://arxiv.org/abs/2107.00531v1
• Date: Thu, 1 Jul 2021 15:23:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-02 17:14:14.434755
• Title: Towards a fairer reimbursement system for burn patients using cost-sensitive classification
• Title（参考訳）: 費用に敏感な分類を用いた熱傷患者の公正な払い戻しシステムに向けて
• Authors: Chimdimma Noelyn Onah, Richard Allmendinger, Julia Handl, Ken W. Dunn
• Abstract要約: 英国におけるPPSの導入は、Health Resource Groups(HRGs)の創設につながった。 HRGは、再納のために同様のリソース利用を共有する臨床に類似した患者のグループを特定することを目的としている。 本稿では,データ駆動モデルと患者レベルのコストを取り入れて,資源使用量と重大さの均一性を向上する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The adoption of the Prospective Payment System (PPS) in the UK National Health Service (NHS) has led to the creation of patient groups called Health Resource Groups (HRG). HRGs aim to identify groups of clinically similar patients that share similar resource usage for reimbursement purposes. These groups are predominantly identified based on expert advice, with homogeneity checked using the length of stay (LOS). However, for complex patients such as those encountered in burn care, LOS is not a perfect proxy of resource usage, leading to incomplete homogeneity checks. To improve homogeneity in resource usage and severity, we propose a data-driven model and the inclusion of patient-level costing. We investigate whether a data-driven approach that considers additional measures of resource usage can lead to a more comprehensive model. In particular, a cost-sensitive decision tree model is adopted to identify features of importance and rules that allow for a focused segmentation on resource usage (LOS and patient-level cost) and clinical similarity (severity of burn). The proposed approach identified groups with increased homogeneity compared to the current HRG groups, allowing for a more equitable reimbursement of hospital care costs if adopted.
• Abstract（参考訳）: 英国保健サービス(NHS)におけるPPSの導入により、Health Resource Groups(HRG)と呼ばれる患者グループが創設された。 HRGは、再納のために同様のリソース利用を共有する臨床に類似した患者のグループを特定することを目的としている。 これらのグループは主に専門家のアドバイスに基づいて同定され、滞在時間(LOS)を用いて同質性をチェックする。 しかしながら、バーンケアで遭遇した患者のような複雑な患者にとって、LOSはリソース使用の完全なプロキシではなく、不完全な均一性チェックにつながる。 資源使用量と重大性の均一性を改善するため,データ駆動型モデルと患者レベルのコスト化を提案する。 我々は,さらなる資源利用の尺度を検討するデータ駆動アプローチが,より包括的なモデルに繋がるかどうかを検討する。 特に、リソース使用量(LOSと患者レベルのコスト)と臨床類似性(燃焼の重大さ)に焦点を絞ったセグメンテーションを可能にする重要性とルールの特徴を特定するために、コスト感受性決定ツリーモデルが採用されている。 提案手法は,現在のHRG群と比較して均一性が高い群を同定し,病院医療費の公平な再支払いを可能にした。

関連論文リスト

• An AI-Guided Data Centric Strategy to Detect and Mitigate Biases in Healthcare Datasets [32.25265709333831]
  我々は、小さなサンプルサイズ(AEquity)で異なるグループをいかに容易に学習するかを調査することによって、データセットバイアスを評価するために、データ中心、モデルに依存しないタスク非依存のアプローチを生成する。 次に、サブポピュレーション全体にわたるAEq値の体系的分析を適用し、医療における2つの既知の事例において、人種的偏見の特定と顕在化を図った。 AEqは、医療データセットのバイアスを診断し、修正することで、エクイティの前進に適用できる、新しく広く適用可能なメトリクスである。
  論文  参考訳（メタデータ） (2023-11-06T17:08:41Z)
• Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources [47.57108369791273]
  医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。 医療資源割り当てプロトコルの普遍的な標準は存在しない。 本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-15T17:28:06Z)
• Auditing Algorithmic Fairness in Machine Learning for Health with Severity-Based LOGAN [70.76142503046782]
  臨床予測タスクにおいて,局所バイアスを自動検出するSLOGANを用いて,機械学習ベースの医療ツールを補足することを提案する。 LOGANは、患者の重症度と過去の医療史における集団バイアス検出を文脈化することにより、既存のツールであるLOcal Group biAs detectioNに適応する。 SLOGANは, クラスタリング品質を維持しながら, 患者群の75%以上において, SLOGANよりも高い公平性を示す。
  論文  参考訳（メタデータ） (2022-11-16T08:04:12Z)
• Identifying Undercompensated Groups Defined By Multiple Attributes in Risk Adjustment [0.09137554315375918]
  我々は,米国保健保険市場と医療機関で使用されるリスク調整式を評価した。 マーケットプレースリスク調整式では,複数の慢性状態の群が過小評価されていることがわかった。 医療リスク調整式では, 複雑な群が常に過小評価され, 過小評価されることは認められなかった。
  論文  参考訳（メタデータ） (2021-05-18T13:09:13Z)
• Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients [50.48904066814385]
  本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
  論文  参考訳（メタデータ） (2020-12-24T12:56:46Z)
• 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)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• 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)
• Bayesian Nonparametric Cost-Effectiveness Analyses: Causal Estimation and Adaptive Subgroup Discovery [0.0]
  我々は検閲の有無で共同コスト-生存分布の非パラメトリックベイズモデルを開発する。 本モデルを用いて,SEER-Medicareデータベースにおける癌治療における子宮内膜化学療法と放射線補助療法の費用対効果を評価する。
  論文  参考訳（メタデータ） (2020-02-11T21:51:58Z)

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。