Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán sự gia tăng chi phí chăm sóc sức khỏe: liệu liệu pháp dược phẩm có ảnh hưởng như thế nào?
Tóm tắt
Chi phí chăm sóc sức khỏe đang gia tăng là một vấn đề sức khỏe cộng đồng quan trọng. Do đó, việc dự đoán chính xác chi phí trong tương lai và hiểu các yếu tố nào góp phần vào sự gia tăng chi tiêu cho chăm sóc sức khỏe là rất cần thiết. Mục tiêu của dự án này là dự đoán sự phát triển chi phí chăm sóc sức khỏe của bệnh nhân trong năm tiếp theo và xác định các yếu tố góp phần vào dự đoán này, với một trọng tâm đặc biệt vào vai trò của liệu pháp dược phẩm. Chúng tôi đã sử dụng dữ liệu hóa đơn bảo hiểm y tế Thụy Sĩ từ năm 2014–2015 trên 373.264 bệnh nhân trưởng thành để phân loại sự thay đổi chi phí chăm sóc sức khỏe của các cá nhân. Chúng tôi đã thực hiện việc tạo đặc tính sâu rộng và phát triển các mô hình dự đoán sử dụng hồi quy logistic, cây quyết định gia tăng và mạng nơ-ron. Dựa trên mô hình cây quyết định, chúng tôi đã thực hiện phân tích tầm quan trọng của đặc tính và phân tích theo nhóm, với sự nhấn mạnh vào các loại thuốc. Mô hình cây quyết định gia tăng đạt được độ chính xác tổng thể là 67,6% và giá trị AUC là 0,74; mô hình mạng nơ-ron và hồi quy logistic hoạt động kém hơn lần lượt là 0,4% và 1,9%. Kỹ thuật tạo đặc tính đóng vai trò quan trọng trong việc nắm bắt các mẫu tạm thời trong dữ liệu. Số lượng đặc tính đã giảm từ 747 xuống còn 36 với chỉ mất 0,5% độ chính xác. Ngoài việc nằm viện và thăm khám bác sĩ ngoại trú, 6 loại thuốc và phương thức sử dụng thuốc là những đặc tính quan trọng nhất. Các nhóm bệnh nhân có khả năng gia tăng (lên đến 88%) và giảm (lên đến 92%) đã được xác định. Liệu pháp dược phẩm cung cấp thông tin quan trọng để dự đoán sự gia tăng chi phí trong toàn bộ dân số. Hơn nữa, tầm quan trọng tương đối của nó gia tăng khi kết hợp với các đặc tính khác, bao gồm việc sử dụng chăm sóc sức khỏe.
Từ khóa
#chi phí chăm sóc sức khỏe #liệu pháp dược phẩm #mô hình dự đoán #hồi quy logistic #cây quyết định #mạng nơ-ron #phân tích tầm quan trọng đặc tínhTài liệu tham khảo
Pritchard D, Petrilla A, Hallinan S, et al. What contributes Most to high health care costs? Health care spending in high resource patients. JMCP. 2016;22(2):102–9.
Hu Z, Hao S, Jin B, et al. Online prediction of health care utilization in the next six months based on electronic health record information: a cohort and validation study. J Med Internet Res. 2015;17(9):e219.
World Health Organisation Global Health Observatory data repository 2019 [Available from: http://apps.who.int/gho/data/view.main.GHEDCHEGDPSHA2011REGv?lang=en.] Accessed 2 Feb. 2019.
Bertsimas D, Bjarnadóttir MV, Kane MA, et al. Algorithmic prediction of health-care costs. Oper Res. 2008;56(6):1382–92.
Powers CA, Meyer CM, Roebuck MC, et al. Predictive modeling of Total healthcare costs using pharmacy claims data: a comparison of alternative econometric cost modeling techniques. Med Care. 2005;43(11):1065–72.
Kuo RN, Dong Y-H, Liu J-P, et al. Predicting healthcare utilization using a pharmacy-based metric with the WHO’s anatomic therapeutic chemical algorithm. Med Care. 2011;49(11):1031–9.
Yang C, Delcher C, Shenkman E, et al. Machine learning approaches for predicting high cost high need patient expenditures in health care. Biomed Eng Online. 2018;17(Suppl 1):131.
König HH, Leicht H, Bickel H, et al. Effects of multiple chronic conditions on health care costs: an analysis based on an advanced tree-based regression model. BMC Health Serv Res. 2013;13:219.
Lee S-M, Kang J-O, Suh Y-M. Comparison of hospital charge prediction models for colorectal Cancer patients: neural network vs. decision tree models. J Korean Med Sci. 2004;19:677–81.
Guo X, Gandy W, Coberley C, et al. Predicting health care cost transitions using a multidimensional adaptive prediction process. Popul Health Manag. 2015;18(4):290–9.
Sushmita S, Newman S, Marquardt J, et al. Population Cost Prediction on Public Healthcare Datasets. In: DH '15 Proceedings of the 5th International Conference on Digital Health; 2015. p. 87–94.
Duncan I, Loginov M, Ludkovski M. Testing alternative regression frameworks for predictive modeling of health care costs. North American Actuarial Journal. 2016;20(1):65–87.
Huber CA, Schneeweiss S, Signorell A, et al. Improved prediction of medical expenditures and health care utilization using an updated chronic disease score and claims data. J Clin Epidemiol. 2013;66(10):1118–27.
Sales AE, Liu C-F, Sloan KL, et al. Predicting costs of care using a pharmacy-based measure risk adjustment in a veteran population. Med Care. 2003;41(6):753–60.
Zhao Y, Ellis RP, Ash AS, et al. Measuring population health risks using inpatient diagnoses and outpatient pharmacy data. Health Serv Res. 2001;36(6):180–93.
Kuo RN, Lai MS. Comparison of Rx-defined morbidity groups and diagnosis- based risk adjusters for predicting healthcare costs in Taiwan. BMC Health Serv Res. 2010;10:126.
Farley JF, Harley CR, Devine JW. A comparison of comorbidity measurements to predict healthcare expenditures. Am J Manag Care. 2006;12(2):110–7.
Frees EW, Jin X, Lin X. Actuarial applications of multivariate two-part regression models. Annals of Actuarial Science. 2013;7(02):258–87.
Fishman PA, Goodman MJ, Hornbrook MC, et al. Risk adjustment using automated ambulatory pharmacy data. Med Care. 2003;41(1):84–99.
Dove HG, Duncan I, Robb A. A prediction model for targeting low-cost, high-risk members of managed care organizations. Am J Manag Care. 2003;9(5):381–9.
Tamang S, Milstein A, Sørensen HT, et al. Predicting patient 'cost blooms' in Denmark: a longitudinal population-based study. BMJ Open. 2017;7(1):e011580.
Morid MA, Kawamoto K, Ault T, et al. Supervised learning methods for predicting healthcare costs: systematic literature review and empirical evaluation. AMIA Annu Symp Proc. 2017:1312–21.
Lahiri B, Agarwal N. Predicting healthcare expenditure increase for an individual from Medicare data. Proceedings of the ACM SIGKDD Workshop on Health Informatics. 2014. “[Available from http://cci.drexel.edu/hi/hi-kdd2014/morning_5.pdf]. Accessed 19 Feb 2019
Reich O, Rosemann T, Rapold R, et al. Potentially inappropriate medication use in older patients in Swiss managed care plans: prevalence, determinants and association with hospitalization. PLoS One. 2014;9(8):e105425.
Huber CA, Szucs TD, Rapold R, et al. Identifying patients with chronic conditions using pharmacy data in Switzerland: an updated mapping approach to the classification of medications. BMC Public Health. 2013;13:1030.
World Health Organisation Collaborating Centre for Drug Statistics Methodology ATC Structure and principles [Available from: https://www.whocc.no/atc/structure_and_principles/.] Accessed 22 Jan. 2018.
SwissDRG. Online Definitionshandbuch SwissDRG 3.0 Abrechnungsversion 2013. Available from: https://manual30.swissdrg.org/?locale=de. Accessed 5 Dec 2017.
Morid MA, Liu Sheng OR, Kawamoto K, et al. Healthcare cost prediction: leveraging fine-grain temporal patterns. J Biomed Inform. 2019;91:103113.
Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In Proc 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 785–794 (ACM, 2016) 2016:785–794.
Schapire RE. The boosting approach to machine learning: an overview. In: Denison DD, Hansen MH, Holmes CC, Mallick B, Yu B, editors. Nonlinear estimation and classification. Lecture notes in statistics. New York: Springer; 2003. p. 171.
ELI5 [Available from: https://eli5.readthedocs.io/en/latest/.] Accessed,3 Nov. 2018.
Forrest CB, Lemke KW, Bodycombe DP, et al. Medication, diagnostic, and cost information as predictors of high-risk patients in need of care management. Am J Manag Care. 2009;15(1):41–8.
Ash AS, Zhao Y, Ellis RP, et al. Finding future high-cost cases: comparing prior cost versus diagnosis-based methods. Health Serv Res. 2001;36(6):194–206.
Hartmann J, Jacobs S, Eberhard S, et al. Analysing predictors for future high-cost patients using German SHI data to identify starting points for prevention. Eur J Pub Health. 2016;26(4):549–55.
Bähler C, Huber CA, Brüngger B, et al. Multimorbidity, health care utilization and costs in an elderly community-dwelling population: a claims data based observational study. BMC Health Serv Res. 2015;15:23.
Johns Hopkins University Bloomberg School of Public Health: The Johns Hopkins ACG System Technical Reference Guide 2011.
Rosella LC, Kornas K, Yao Z, et al. Predicting high health care resource utilization in a single-payer public health care system. Med Care. 2018;56(10):e61–169.
Le Q. Mikolov T. Distributed Representations of Sentences and Documents. In Proceedings of ICML 2014. [Available from https://cs.stanford.edu/~quocle/paragraph_vector.pdf]. Accessed 11 Mar 2019
Choi E, Bahadori MT, Schuetz A, et al. Doctor AI: Predicting Clinical Events via Recurrent Neural Networks. arXiv:151105942v11 2016.
Choi E, Bahadori MT, Song L, et al. GRAM: Graph-based Attention Model for Healthcare Representation Learning. arXiv:161107012v3. 2017.
Choi E, Schuetz A, Stewart WF, et al. Medical Concept Representation Learning from Electronic Health Records and its Application on Heart Failure Prediction. arXiv:160203686v2. 2017.
Mikolov T, Sutskever I, Chen K, et al. Distributed Representations of Words and Phrases and their Compositionality. arXiv:13104546v1. 2013.
Miotto R, Li L, Kidd BA, et al. Deep patient: an unsupervised representation to predict the future of patients from the electronic health records. Sci Rep. 2016;6:26094.