[發明專利]用于自動產生分層樹網絡并且使用對于所述分層樹網絡的每個葉子優化的兩種互補學習算法的系統和方法

無效

• 申請號: 200580021215.0
• 申請日: 2005-04-27
• 公開（公告）號: CN101076825A
• 公開（公告）日: 2007-11-21
• 發明（設計）人: 戴維·H·基爾;戴維·B·波特施米特
• 申請（專利權）人: 赫馬納股份有限公司
• 主分類號: G06Q50/00
• 分類號: G06Q50/00
• 代理公司: 北京市柳沈律師事務所
• 代理人: 黃小臨;王志森

技術領域

本發明涉及一種用于產生分層樹網絡并且使用線性加非線性學習算法來形成關于成員的未來健康狀態的一致觀點的系統和方法。在所述分層樹網絡中的每個葉子在臨床特性、經歷時段和可用數據資產上同質(homogeneous)。對于每個葉子執行優化，以便可以對于每個葉子專有的本地特性定制(tailor)特征和學習算法。

發明內容

本發明用于一種用于預測人的未來健康狀態的方法。所述方法包括步驟：

一種用于預測人的未來健康狀態的方法。所述方法包括步驟：

a.建立作為多個層化變量的函數的分層樹網絡，對于多個成員，所述分層樹網絡把每個成員分配到多個節點中的至多僅一個；

b.對于所述多個成員和用于每個所述成員，向基于計算機的系統提供成員人口數據(demographic?data)、可得的成員醫療索賠數據和可得的成員醫藥索賠數據；

c.對于所述多個節點的每個執行特征選擇，以對于每個節點標識來自包括下述項的至少一些的集合的特征的最佳子集：針對于被分配到該所述節點的所有成員的所述成員人口數據、所述可得的成員醫療索賠數據、所述可得的成員醫藥索賠數據；

d.使用下述項的至少一些來訓練MVLR算法和BRN算法：所述成員人口數據、所述可得的成員醫療索賠數據、所述可得的成員醫藥索賠數據，并且在數據庫中存儲所學習的參數以建立所學習的參數的數據庫；

e.使用所述所學習的參數的數據庫，以及對于至少一個所述成員，使用該至少一個所述成員的成員人口數據、所述可得的成員醫療索賠數據和所述可得的成員醫藥索賠數據，使用所述MVLR算法來計算MVLR未來健康狀態分數以及使用所述BRN算法來計算BRN未來健康狀態分數，計算所述MVLR未來健康狀態分數和所述BRN未來健康狀態分數的算術平均值以確定最終分數。

所述層化變量可以包括：成員的入會持續時間，例如小于6個月或至少6個月；災難狀況的存在與否；糖尿病的存在與否；醫藥觸發或住院準入觸發(trigger)的存在；醫療和醫藥索賠數據兩者的存在、僅僅醫藥索賠數據的存在或僅僅醫療索賠數據的存在。

所述方法還可以包括報告步驟，其中，關于成員的信息與所計算的最終分數被提供。例如，成員信息可以包括入會/合格信息、臨床狀況信息——包括狀態、觸發類型和觸發日期——以及醫藥索賠和/或醫療索賠的隨著時間的成員成本的表示。

附圖說明

通過下面結合附圖的說明，可以更好地理解本發明，其中：

圖1示出了N維向量空間，它被處理和映射以支持特征優化和學習以及各種學習算法的相對優點和弱點的討論。

圖2示出了分層樹網絡生成、特征優化、學習和打分(scoring)的整體流程圖。

圖3A-3H示出了運轉中的兩個所選擇的學習算法(多變量線性回歸和貝葉斯正則化網絡的組合)。

圖4A-4B示出了對于多層感知器的記憶效果的一瞥。

圖5示出了當兩種學習算法貝葉斯正則化網絡(BRN)和多變量線性回歸(MVLR)總體上一致時，通過遠離表示完美一致的直線的眾多散點可以看出，在一些情況下，它們提供了不同的回答。

圖6A-6F示出了一年未來成本的平方根對各種協變量(covariate)的繪圖。這些簡單的繪圖提過了許多有用的視點。如果存在簡單的線性關系，則可以看到直的單向增加的線。不幸的是，我們未看到具有這些特征的任何一個的這樣的明顯趨勢，這指示沒有簡單的線性視點(insight)。

具體實施方式

作為背景，健康保險業中所使用的預測模型視圖預測成員的未來健康狀態。它們可以被部署在精算核保和高風險成員的標識中以用于搶先的醫療干預。

構造預測模型包含兩個階段：首先，將索賠數據(claims?data)轉換為一組臨床特征，第二，使用歷史索賠數據來學習在臨床特征(x)和未來健康狀態(y)之間的關系。典型的臨床特征包括二進制臨床標記。注意，IHCIS使用超過幾百個二進制臨床標記作為在預測模型中的協變量。二進制標記的示例是最后3個月期間的入院病人事件、過去一年的冠狀動脈旁路移植術(coronaryartery?bypass?graft，CABG)過程、過去一年的心臟病、年齡、性別、過去的處方成本(Rx?cost)、過去的醫療成本、住院時間長度、急診室(ER)門診的數量、處方與醫療(Rx-to-med)的成本比率等等。