Прогнозування витрат на перебування в лікарні з використанням машинного навчання

Автор(и)

  • Д. Шукла Інженерно-технологічний коледж Шрі Шанкарачар’я, Бхілаї, Індія
  • П. Чандракар Інженерно-технологічний коледж Шрі Шанкарачар’я, Бхілаї, Індія

DOI:

https://doi.org/10.20535/S0021347023010016

Ключові слова:

розрахунок медичних витрат, машинне навчання, Всесвітня організація охорони здоров’я, ВООЗ

Анотація

В той час коли система охорони здоров’я рухається в напрямку ціннісно-орієнтованої медицини, система клінічного ведення пацієнтів CMS (Clinical Management System) розробила низку програм для поліпшення якості лікування пацієнтів. Одна із цих програм має назву «Програма аналізу вартості госпіталізації пацієнта», яка допомагає пацієнту та лікарні визначити діагноз хвороби та оцінити вартість госпіталізації. Згідно даним Всесвітньої організації охорони здоров’я (ВООЗ), особисті та медичні витрати зростають швидше, ніж глобальна економіка. Головні показники, які викликають збільшення витрат, включають паління, старіння та збільшення індексу маси тіла BMI (Body Mass Index). В цьому дослідженні знайдено кореляцію між медичними витратами та різними елементами, застосовуючи інформаційні дані страхування різних людей з врахуванням таких характеристик як паління, вік, кількість дітей, район проживання та ІМТ. Це дослідження можна також використовувати для демонстрації різних моделей регресії, які можуть застосовуватись для прогнозування витрат на страхування. Машинне навчання суттєво зменшує витрати людського труда, оскільки моделі машинного навчання здатні здійснювати розрахунки витрат за короткий час, для виконання яких людина потребує набагато більше часу.

Посилання

S. Chatterjee, C. Levin, R. Laxminarayan, “Unit cost of medical services at different hospitals in India,” PLoS ONE, vol. 8, no. 7, p. e69728, 2013, doi: https://doi.org/10.1371/journal.pone.0069728.

A. Gelman, J. Hill, Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press, 2006, doi: https://doi.org/10.1017/CBO9780511790942.

D. Gefen, D. Straub, M.-C. Boudreau, “Structural equation modeling and regression: guidelines for research practice,” Commun. Assoc. Inf. Syst., vol. 4, no. 1, p. 7, 2000, doi: https://doi.org/10.17705/1CAIS.00407.

P. Fenn, “Current cost of medical negligence in NHS hospitals: analysis of claims database,” BMJ, vol. 320, no. 7249, pp. 1567–1571, 2000, doi: https://doi.org/10.1136/bmj.320.7249.1567.

R. Hillestad et al., “Can electronic medical record systems transform health care? Potential health benefits, savings, and costs,” Heal. Aff., vol. 24, no. 5, pp. 1103–1117, 2005, doi: https://doi.org/10.1377/hlthaff.24.5.1103.

M. Hanafy, O. M. A. Mahmoud, “Predict health insurance cost by using machine learning and DNN regression models,” Int. J. Innov. Technol. Explor. Eng., vol. 10, no. 3, pp. 137–143, 2021, doi: https://doi.org/10.35940/ijitee.C8364.0110321.

S. Kapsiani, B. J. Howlin, “Random forest classification for predicting lifespan-extending chemical compounds,” Sci. Reports, vol. 11, no. 1, p. 13812, 2021, doi: https://doi.org/10.1038/s41598-021-93070-6.

J. W. Robinson, “Regression tree boosting to adjust health care cost predictions for diagnostic mix,” Heal. Serv. Res., vol. 43, no. 2, pp. 755–772, 2008, doi: https://doi.org/10.1111/j.1475-6773.2007.00761.x.

R. Sturm, “The effects of obesity, smoking, and drinking on medical problems and costs,” Heal. Aff., vol. 21, no. 2, pp. 245–253, 2002, doi: https://doi.org/10.1377/hlthaff.21.2.245.

J. Cawley et al., “Direct medical costs of obesity in the United States and the most populous states,” J. Manag. Care Spec. Pharm., vol. 27, no. 3, pp. 354–366, 2021, doi: https://doi.org/10.18553/jmcp.2021.20410.

P. Schober, T. R. Vetter, “Linear regression in medical research,” Anesth. Analg., vol. 132, no. 1, pp. 108–109, 2021, doi: https://doi.org/10.1213/ANE.0000000000005206.

K. Inc., “Medical Cost Personal Datasets.” https://www.kaggle.com/mirichoi0218/insurance.

L. Breiman, “Random forests,” Mach. Learn., vol. 45, pp. 5–32, 2001, doi: https://doi.org/10.1023/A:1010933404324.

J. Hatwell, M. M. Gaber, R. M. A. Azad, “CHIRPS: Explaining random forest classification,” Artif. Intell. Rev., vol. 53, no. 8, pp. 5747–5788, 2020, doi: https://doi.org/10.1007/s10462-020-09833-6.

M. Schonlau, R. Y. Zou, “The random forest algorithm for statistical learning,” Stata J. Promot. Commun. Stat. Stata, vol. 20, no. 1, pp. 3–29, 2020, doi: https://doi.org/10.1177/1536867X20909688.

L. de la Perrelle, G. Radisic, M. Cations, B. Kaambwa, G. Barbery, K. Laver, “Costs and economic evaluations of quality improvement collaboratives in healthcare: a systematic review,” BMC Heal. Serv. Res., vol. 20, no. 1, p. 155, 2020, doi: https://doi.org/10.1186/s12913-020-4981-5.

P. Chandrakar, “Github Link:” https://github.com/PreetiChandrakar/predicting-hospital-charges.

B. Abdelmoula, M. Torjmen, N. B. Abdelmoula, “Machine learning based prediction tool of hospitalization cost,” in 2021 22nd International Arab Conference on Information Technology (ACIT), 2021, pp. 1–6, doi: https://doi.org/10.1109/ACIT53391.2021.9677110.

B. Langenberger, T. Schulte, O. Groene, “The application of machine learning to predict high-cost patients: A performance-comparison of different models using healthcare claims data,” PLOS ONE, vol. 18, no. 1, p. e0279540, 2023, doi: https://doi.org/10.1371/journal.pone.0279540.

Z. Xiao, X. Xu, H. Xing, F. Song, X. Wang, B. Zhao, “A federated learning system with enhanced feature extraction for human activity recognition,” Knowledge-Based Syst., vol. 229, p. 107338, 2021, doi: https://doi.org/10.1016/j.knosys.2021.107338.

Веб-застосунок для прогнозування витрат на госпіталізацію

Опубліковано

2023-07-28 — Оновлено 2022-12-26

Як цитувати

Шукла, Д., & Чандракар, П. (2022). Прогнозування витрат на перебування в лікарні з використанням машинного навчання. Вісті вищих учбових закладів. Радіоелектроніка, 65(12), 778–789. https://doi.org/10.20535/S0021347023010016

Номер

Розділ

Оригінальні статті