論文の概要: Applications of Machine Learning to the Identification of Anomalous ER Claims

• arxiv url: http://arxiv.org/abs/2206.08093v1
• Date: Thu, 16 Jun 2022 11:19:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-17 13:59:58.542350
• Title: Applications of Machine Learning to the Identification of Anomalous ER Claims
• Title（参考訳）: 異常ERクレームの同定への機械学習の適用
• Authors: Jesse B. Crawford and Nicholas Petela
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Improper health insurance payments resulting from fraud and upcoding result in tens of billions of dollars in excess health care costs annually in the United States, motivating machine learning researchers to build anomaly detection models for health insurance claims. This article describes two such strategies specifically for ER claims. The first is an upcoding model based on severity code distributions, stratified by hierarchical diagnosis code clusters. A statistically significant difference in mean upcoding anomaly scores is observed between free-standing ERs and acute care hospitals, with free-standing ERs being more anomalous. The second model is a random forest that minimizes improper payments by optimally sorting ER claims within review queues. Depending on the percentage of claims reviewed, the random forest saved 12% to 40% above a baseline approach that prioritized claims by billed amount.
• Abstract（参考訳）: 不正やコードアップによる不適切な医療保険支払いは、米国で毎年数十億ドルもの医療費を負担し、機械学習研究者が医療保険請求に対する異常検出モデルを構築する動機となっている。 本稿では,ERクレームに関する2つの戦略について述べる。 ひとつは、重大度コード分布に基づくアップコーディングモデルで、階層的な診断コードクラスタによって階層化される。 平均符号化異常スコアの統計的に有意な差は, 既往のERと急性ケア病院との間に見られ, 既往のERの方が異常である。 2つ目のモデルは、レビューキュー内でERクレームを最適にソートすることで不適切な支払いを最小限にするランダムフォレストである。 レビューされたクレームの割合に応じて、ランダムフォレストは請求額を優先したベースラインアプローチよりも12%から40%も節約した。

関連論文リスト

• FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
  FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。 FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2024-08-17T15:18:56Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Impact of the composition of feature extraction and class sampling in medicare fraud detection [3.6016022712620095]
  本研究では,医療・医療サービスセンターが「医療部品D」保険請求書を公表し,不正検知システムの開発に利用した。 そこで本研究では,特徴抽出手法としてオートエンコーダ,データサンプリング手法として合成マイノリティ・オーバーサンプリング手法(SMOTE),および分類アルゴリズムとして勾配向上決定木に基づく分類器を適用した。
  論文  参考訳（メタデータ） (2022-06-03T06:57:08Z)
• Multiple Inputs Neural Networks for Medicare fraud Detection [0.0]
  医療詐欺はヨーロッパで約13億ユーロ、米国では年間21億から71億ドルの費用がかかる。 本研究の目的は、ニューラルネットワークに基づく分類器を用いて医療詐欺を予測することである。
  論文  参考訳（メタデータ） (2022-03-11T10:36:53Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Transformer-based unsupervised patient representation learning based on medical claims for risk stratification and analysis [3.5492837081144204]
  トランスフォーマーベースのマルチモーダルオートエンコーダ(TMAE)は,クレームデータから有意義な情報を符号化することで,効率的な患者表現を学習することができる。 我々は,60,000人以上の患者を対象とする実世界の小児検診データセットを用いてTMAEを訓練した。
  論文  参考訳（メタデータ） (2021-06-23T21:29:50Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Unsupervised anomaly detection for discrete sequence healthcare data [1.2667973028134798]
  不正検出を教師なしで自動化する機械学習モデルを提案する。 2つのディープラーニングアプローチには、次の患者訪問を予測するLSTMニューラルネットワークと、Seq2seqモデルがある。 バリデーションには、アリアンツ社の患者訪問データ列の実際のデータを使用する。
  論文  参考訳（メタデータ） (2020-07-20T13:42:21Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• 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)

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。