13 мая 2021

В платформу Webiomed добавлена модель, предсказывающая наступление страхового случая

314

В платформу прогнозной аналитики Webiomed добавлена модель, позволяющая предсказать наступление страхового случая в течение ближайших 12 месяцев.

Прогнозирование обращений пациентов в медицинских организации имеет важное значение в медицинском страховании, т.к. прямо влияет на затраты страховщиков по оплате страховых медицинских полисов. Оценка рисков пациента с точки зрения вероятности наступления страхового случая является ключевой задачей, которую как правило выполняют специально подготовленные сотрудники страховой компании – андеррайтеры.

Прибыль страховых компаний определяется затратами на возмещение по страховым случаям. В этой связи применение алгоритмов для индивидуального прогнозирования обращения пациента за медицинской помощью может быть полезным инструментом для повышения экономической эффективности работы страховой компании.

Специально для этого случая мы создали с помощью машинного обучения простую модель, которая буквально по нескольким признакам, которые можно уточнить непосредственно у пациента, оценивает – насколько вероятно обращение пациента в поликлинику или стационар.

Отбор признаков осуществлялся на основании изучения отечественного и зарубежного опыта применения методов машинного обучения в андеррайтинге, консультаций с медицинскими экспертами и серии предварительных экспериментов. Результаты наших исследований показали, что наиболее значимыми параметрами для предсказания наступления страховых случаев являются история обращений за медицинской помощью и социальные данные пациента, тогда как вклад сведений медицинского характера, которые можно получить со слов пациента в «анкетном» формате, заметно меньше.

Модель была обучена на наборе данных из 360 тыс. случаев обращения пациентов за амбулаторной и госпитальной медицинской помощью в течение 2017-2019 гг. В качестве алгоритмов для решения задачи были применены: логистическая регрессия, дерево решений, нейронная сеть с тремя скрытыми слоями и градиентный бустинг на основе деревьев решений – CatBoost, который показал лучшие метрики работы: accurancy 0,849, precision 0,886, F1 0,842 и ROC_AUC 0,904.

Модель предсказывает три факта наступления страхового случая:

  • амбулаторный вызов в будущем
  • госпитализация в будущем
  • вызов скорой помощи в будущем

Предлагаем вам ознакомиться с демо- версией модели: https://webiomed.ai/machine-learning/prognozirovanie-obrashcheniia-za-12-mesiatsev/

Почитать подробнее про перспективы цифрового андеррайтинга можно здесь: https://webiomed.ai/blog/perspektivy-tsifrovogo-anderraitinga-na-osnove-ML/

Наши исследования показали, что дополнительный учет данных из электронной медицинской карты, таких как анамнез, история обращений и ряд характерных медицинских сведений, позволяют существенно повысить точность предсказаний модели. Поэтому мы планируем в ближайшем будущем подготовить 2ю версию модели, которая может работать в связке с обезличенными данными из ЭМК пациентов.

Пожалуйста, оцените эту статью
( 5 из 5,
оценили: 13)
Ваша оценка: Не ставилась

Еще по этой теме

Обратите внимание на похожие статьи

20 Апр 2021

Платформа Webiomed стала первой Российской разработкой в области искусственного интеллекта, подключенной к ЕГИСЗ

Платформа прогнозной аналитики на основе машинного обучения Webiomed получила статус «Иной информационной системы» (ИИС) и теперь будет подключена к Единой …

19 Мар 2021

В Webiomed добавлен алгоритм интерпретации анкет диспансеризации

В платформу Webiomed добавлена новая возможность. Теперь система умеет анализировать ответы пациентов на вопросы анкет диспансеризации. Это позволяет выявлять различные …

21 Дек 2020

В Webiomed добавлен алгоритм оценки перинатального риска

В новую версию системы поддержки принятия врачебных решений Webiomed.DHRA добавлен алгоритм, помогающий врачам определить перинатальный риск. Качественная и доступная специализированная …

Подпишитесь на нашу рассылку

Хотите получать интересную и полезную информацию о цифровом здравоохранении и искусственном интеллекте для медицины?
Включайтесь в нашу рассылку!

Присоединяйтесь

Наши группы в соц сетях