Your SlideShare is downloading. ×
SAS M2007 Presentation
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

SAS M2007 Presentation

987

Published on

Data Preparation for Data Mining in Health Care using SAS

Data Preparation for Data Mining in Health Care using SAS

0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
987
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
0
Comments
0
Likes
1
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. SAS M2007 Data Mining  Conference  October 1­2, 2007  Data Preparation for  Las Vegas  Data Mining in Health Care  using SAS  S. Greg Potts, MBA 1  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 2. Introduction  Data mining practitioners are well aware that most of the total effort required to  Data Preparation for Data Mining in Health complete a data mining project is not spent in the “trendier” aspects of the project  Care using SAS  such as problem definition or algorithm/technique selection, application, and  interpretation of the results.  << Previous | Next >>  Unfortunately, most time – up to 80% often cited – is spent “in the trenches”  Contents  acquiring the data (i.e., most business data today is stored in transactional data  AFMC and QI in Medicare  and Medicaid . . . . . . . . . 3  warehouses where data elements essential for mining are dispersed across  AFMC as QIO and  multiple tables), getting to know the data (i.e., conducting exploratory data  EQRO . . . . . . . . . . . . . . .4  analysis), and preparing the data mining table (i.e., summarizing data to the “unit  Data Preparation for  of analysis” and creating derived variables to be used as targets and inputs in the  Directed Data Mining. . . . 6  modeling analysis) in the form required by the data mining algorithm (i.e., most  Data Preparation for  Undirected Data Mining .16  current algorithms require data in the form of a a one­row­per­subject data table).  References . . . . . .  . . .28 This presentation will present two case studies in using SAS to extract and  prepare data for data mining.  The first case will explore how to extract and  prepare transactional (Medicaid claims) data for directed data mining, where the  goal is to explain or predict the value(s) of a particular target variable.  The  second case will explore data extraction and preparation for undirected data  mining (cluster analysis) using hospital­level data supplied to Medicare Quality  Improvement Organizations (QIOs). 2  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 3. AFMC and QI in Medicare and  Data Preparation for Medicaid  Data Mining in Health Care using SAS  • Medicare provides health insurance for people  << Previous | Next >> age 65 and over, those with permanent kidney  failure and certain people with disabilities (more  than 400,000 individuals in Arkansas)  • Medicaid is a jointly­funded, Federal­State  medical assistance program for certain low  income and needy people (more than 600,000  individuals in Arkansas). 3  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 4. AFMC as QIO and EQRO  Data Preparation for • Centers for Medicare & Medicaid Services (CMS) designated Data Mining in Health Care using SAS  Quality Improvement Organization (QIO) for the state of Arkansas.  ­ Assist providers (Hospitals, Physicians, Nursing Homes, etc.) with  << Previous | Next >> measuring and reporting quality measures and redesigning care  processes; provide statistical support and assistance in interpreting  data results.  • External Quality Review Organization (EQRO­like) & Review Agent for the Arkansas Medicaid Program.  ­ Prior Authorization Reviews, Retrospective Reviews, HEDIS  measures, Patient Satisfaction Surveys, and Data Mining.  • Multi­disciplinary team of clinicians, statisticians, and consultants  • Goal: To ensure that everyone receives the right care, at the right  place, at the right time – every time. 4  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 5. Today’s Health Care Environment  Data Preparation for Data Mining in Health Care using SAS  EMPLOYER/CONSUMER  RISING  DEMANDS FOR  COSTS  << Previous | Next >>  ACCOUNTABILITY &  $$$$$$$$$  TRANSPARENCY  Many challenges  exist in today’s  dynamic health  EXPLOSION  QUALITY  WIDE VARIATIONS  care environment. IN CLINICAL  IN QUALITY KNOWLEDGE  IMPROVEMENT  PROVIDER/PAYER  INDUSTRY  DATA SILOS  FRAGMENTATION  5  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 6. Data Preparation for Data Mining in Health Care using SAS  Data Preparation for  << Previous | Next >> Directed Data Mining 6  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 7. Directed Data Mining in Medicaid  Data Preparation for Data Mining in Health •  AFMC Medicaid Data Mining Projects are often conducted with an  Care using SAS  eye toward identifying high cost drivers for utilization review and/or  cost containment or to identify care coordination inefficiencies,  << Previous | Next >> which can be opportunities for quality improvement.  •  Projects are client and/or literature­based.  •  In directed data mining, the goal is to explain or predict the  value(s) of a target variable.  •  Recipient/Member is the often the “Unit of Analysis”.  Target is  (usually) total costs ($) per member while inputs are (usually)  binary and represent diagnosis, procedure, drug, and provider  type code classes.  •  Techniques used include decision trees and (infrequently)  regression. 7  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 8. Medicaid Data Source  Data Preparation for Data Mining in Health • Arkansas Medicaid Decision Support System (DSS) Data Care using SAS  Warehouse  ­  contains over 6 years of historical medical claims data among 500+  << Previous | Next >> data tables (some containing millions of rows of data) at granular  levels of detail along with eligibility and demographic data.  Claims Analysis  Columns  Clm Num  Dtl Num  Recip ID  Amt Paid  NDC Code  Drug Detail Eligibility  Enrollment  Columns  NDC Code  Columns  Recip ID  Columns  Recip ID  Drug Nam  Plan Code  County  Drug Class  Elig Curr  DOB  ……..  Elig Beg  Gender  Elig End  Race  …….  ……  8  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 9. Data Acquisition: Medicaid Data  Data Preparation for Queries Data Mining in Health Care using SAS  ®  ®  • Access Oracle  Data Warehouse through BusinessObjects  to learn table  ®  relationships and build Oracle  SQL queries when necessary.  << Previous | Next >>  • ®  AFMC licenses SAS/ACCESS  Interface to ODBC.  ®  ®  • Established a Windows  ODBC connection with Oracle  Data Warehouse.  Data is acquired  via SQL queries. ®  • Copy and Paste Oracle  SQL code into SAS program and execute.  • Advantages:  1) Pulls data back in SAS Data set and,  ®  2) Bypasses BusinessObjects’  query size limitations.  9  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 10. Medicaid Transactional Claims  Data Preparation for Data Example  Data Mining in Health Care using SAS  Recipient  Clm Num  DTL  Prov  Dx  Proc  Amt_  NDC Code  Drug  …  ID  Class  << Previous | Next >> Num  Type  Paid  001  050600407  1  Phys  250.00  99212  $25.00  …  001  050600407  2  Phys  640.01  81000  $43.38  …  002  050600408  1  Pharm  $106.45  00406035705  280808  …  002  050600409  1  Phys  250.10  99212  $45.13  …  003  050600410  1  Phys  427.0  A0426  $240.46  …  003  050600411  2  Phys  427.0  A0390  $225.72  …  • Multiple rows of claim detail data make up one claim per recipient/member.  • Challenge is to summarize data to the recipient level and to create target and  input variables to be used in modeling analysis. 10  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 11. SAS Procedures for Transactional Data  Data Preparation for Preparation – Summing Costs  Data Mining in Health Care using SAS  • Use PROC SQL to summarize paid amounts (AMT_PAID) to recipient­  level and to break claim costs out by medical vs. pharmacy.  << Previous | Next >> • Total Costs (target) are calculated from the variables created in these  tables using a DATA step later in the data prep program. 11  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 12. SAS Procedures for Transactional Data  Data Preparation for Preparation – Creating Binary Inputs  Data Mining in Health Care using SAS  • Use PROC SQL to create table of recipient IDs with non­missing Dx codes.  << Previous | Next >>  • Use FIRST. by­processing to create an enumeration variable.  As shown, a  number of SAS  procedures and  language  • Sort Data Set  statements are  needed to  • Convert sorted data from rows to columns using PROC TRANSPOSE  transform  transactional data  into a one­row­per  • Array to create binary input variables (0,1) for code classes.  unit­of­analysis  format suitable for  directed data  mining  • Repeat process for Procedure Class, Drug Class, and Provider Types techniques. 12  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 13. Sample Directed Data Mining  Data Preparation for Modeling Data Set  Data Mining in Health Care using SAS  Total Cost  = f (Clinical Diagnoses, Procedures, Prescription Drugs, Providers Seen, Age, Gender)  per Recipient  << Previous | Next >>  Input  Variables  Target  Mining data set  Variable  contains both  Dx  Dx  Interval (i.e., Total  Total  Group1  (001­139  Group2  (140­239  Procedure  Costs) and binary  Recipient  SFY  …  Code Group1  …  Thera Class1  …  ID  2004  Infectious &  Parasitic  Neoplasms)  (00100­01999  (04:00.00  variables (i.e.,  Costs  Anesthesiology)  Antihistamines)  Diseases)  DX_GROUP_1) 001  $15,232.84  1  1  …  1  …  1  …  002  $2,006.72  1  0  …  1  …  0  …  003  $8,354.89  0  1  …  1  …  1  …  .  .  .  .  …  .  …  .  …  .  .  .  .  …  .  …  .  …  13  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 14. Why use Decision Trees?  Data Preparation for Data Mining in Health •  Excellent Tool for Data Mining ­ Profiling  Care using SAS  •  Allow you to easily see patterns in data with respect  << Previous | Next >> to a target variable (i.e., Interval – total cost $ per recipient).  •  Decision Tree algorithm “reads” the data and determines the best  variable on which to “split” the data.  •  Splits continue as long as they are statistically significant. 14  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 15. Sample Decision Tree Results  Data Preparation for Data Mining in Health SFY 2004 Continuously­Enrolled Medicaid Recipients  Care using SAS  with a Diabetes Dx (250.0X­250.9X)  (Partial Tree Results)  << Previous | Next >> This group of recipients with a Diabetes Dx  accrued average total costs more than three  times other recipients with the same diagnosis.  Why?  Child nodes from decision tree may require  more drill­down analysis or model tuning in the  form of variable reduction and reapplication. 15  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 16. Data Preparation for Data Mining in Health Care using SAS  << Previous | Next >> Data Preparation for  Undirected Data Mining 16  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 17. Undirected Data Mining in Medicare Data Preparation for Data Mining in Health • AFMC Medicare Data Mining Projects are often conducted with an  Care using SAS  eye toward identifying opportunities for quality improvement and  safeguarding Medicare program funds.  << Previous | Next >> • In undirected data mining, the goal is to uncover the hidden  structure in data without respect to a target variable.  • Cluster analysis (PROC FASTCLUS) is technique often used.  17  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 18. Hospital Payment Monitoring  Data Preparation for Program (HPMP) Data Mining in Health Care using SAS  •  The Centers for Medicare and Medicaid Services (CMS)  << Previous | Next >>  developed the Hospital Payment Monitoring Program  (HPMP) primarily to calculate and monitor the Medicare  HPMP is a QIO  fee­for­service paid claims error rate for inpatient acute­  Statement of  Work (SOW)  care hospital services.  priority. •  Under contracts with CMS, several companies –  including QIOs like AFMC – are responsible for  operating the HPMP.  18  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 19. HPMP, QIOs, and Reporting Data Preparation for • Each quarter, QIOs receive state hospital­level data containing the Data Mining in Health calculated paid claims rates and other summary measures for 14 Care using SAS  different target areas identified by CMS as prone to payment errors. This quarterly report is known as the First­Look Analysis Tool for << Previous | Next >> Hospital Outlier Monitoring (FATHOM).  Example target area paid claims rate:  Target 12: Three Day Transfer to SNF  Numerator:  count of discharges to a SNF with a three­day length of stay  Denominator:          count of all discharges to a SNF or swing bed  • From the FATHOM data, QIOs can generate and distribute the Program for Evaluating Payment Patterns Electronic Report (PEPPER). The PEPPERs are hospital­specific reports that allow Inpatient Prospective Payment System (IPPS) hospitals to compare their own billing practices in the 14 target areas with other IPPS hospitals within the state.  • Each QIO uses these data tools to work with hospitals in their state to reduce improper admissions and Diagnosis­Related Group (DRG) payment errors. 19  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 20. Resource Challenge and Answer Data Preparation for • With 50+ IPPS Arkansas hospitals and limited staff,  AFMC  Data Mining in Health Care using SAS  desired to find a way to identify hospitals that have been “extreme  th  outliers” (95  percentile or above on two measures) over time,  << Previous | Next >> thus indicating a need for close monitoring and possible  notification.  • Answer: Cluster Analysis to segment  hospitals into 3  “like” groups based  on 5 of the 11 hospital/target­level  calculated measures in the data  (see right), then graphing the  results of two of the 5 measures  to determine “extreme outliers”.  20  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 21. Data Acquisition: Medicare  Data Preparation for Hospital­Level Data  Data Mining in Health Care using SAS  • The FATHOM hospital­level data is provided to each  << Previous | Next >> QIO from another CMS/HPMP contractor in a  ®  Microsoft Access  database (*.mdb).  • PROC IMPORT is used to import data table from the  *.mdb file. 21  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 22. SAS Procedures for Data Preparation  Data Preparation for at UA­level – Standardization Data Mining in Health Care using SAS  •  Per SAS/STAT 9.1.3 Online Documentation regarding  PROC FASTCLUS, Pg. 1382­1383:  << Previous | Next >> “Variables with larger variances exert a larger  influence in calculating the clusters...Therefore it  is necessary to standardize the variables before  performing the cluster analysis.”  • PROC STANDARD is used to standardize all variables  used in the cluster analysis to mean=0, std=1 prior to  invoking PROC FASTCLUS.  22  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 23. Cluster Analysis Data Preparation for Data Mining in Health •  Run PROC FASTCLUS against output data set  Care using SAS  containing standardized variables.  << Previous | Next >> 23  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 24. Plot to Produce Visual Representation Data Preparation for Data Mining in Health • Run PROC GPLOT to plot two of the five variables used  Care using SAS  in cluster analysis to determine outliers (note: highlighted  << Previous | Next >> syntax produces red vertical and horizontal references to  th  the 95  percentile value for each variable being plotted):  24  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 25. Plot Results Data Preparation for Data Mining in Health Care using SAS  << Previous | Next >> • (Standardized) Variables used in cluster analysis being plotted are:  ­ Outlier Value: A single number from ­10 to 10, describing how unusual a  hospital is compared to all IPPS hospitals in the state.  ­ Outlier Times Count:  Outlier value weighted by number of discharges. This  measure captures both the unusualness of the hospitals’ target outlier value  and the volume of target discharges.  • Outliers facilities are those facilities that consistently fall in the upper­right­most quadrant (>95th percentile on BOTH measures). 25  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 26. Sample Letter to Hospitals  Data Preparation for Regarding Outlier Status Data Mining in Health Care using SAS  << Previous | Next >> 26  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 27. Conclusions Data Preparation for Data Mining in Health •  Most time spent in a Data Mining project is spent  Care using SAS  acquiring and preparing data, not on  << Previous | Next >> algorithm/technique selection and application.  •  SAS has a vast arsenal of tools to help you  acquire, prepare/transform, and mine your data.  27  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 28. References  Data Preparation for Data Mining in Health Data Preparation for Data Mining Using SAS Decision Trees in Enterprise Miner  Care using SAS  Mamdouh Refaat (Morgan Kaufmann/Elsevier)  http://support.sas.com/documentation/onlin  http://books.elsevier.com/us/mk/us/subindex.asp?isbn=97  edoc/91pdf/sasdoc_91/em_gs_7281.pdf 80123735775&country=United+States&community=mk&r  << Previous | Next >> ef=&mscssid=KHFKVKDF6HNU8HJND9V1RB81QR712R  SAS/STAT Procedures (PROC 2E or  FASTCLUS)  http://www.amazon.com/Preparation­Mining­Kaufmann­  http://support.sas.com/documentation/onlin  Management­  edoc/91pdf/sasdoc_91/stat_ug_7313.pdf Systems/dp/0123735777/ref=pd_bbs_sr_1/102­5583212­  or  7763329?ie=UTF8&s=books&qid=1179937157&sr=1­1 http://www2.sas.com/proceedings/sugi24/  Stats/p270­24.pdf Base SAS Procedures and syntax (PROC IMPORT, PROC SQL, PROC TRANSPOSE)  Hospital Payment Monitoring Program http://support.sas.com/documentation/onlinedoc/91pdf/sas  (HPMP)  doc_913/base_proc_8977_new.pdf http://oig.hhs.gov/oas/reports/region3/3050  0007.pdf SAS Language Reference (Arrays)  http://support.sas.com/documentation/onlinedoc/91pdf/sas  doc_913/base_lrconcept_9196.pdf 28  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 29. Acknowledgements  Data Preparation for Data Mining in Health • M2007 Co­Chairs:  Care using SAS  •Jerry Oglesby, SAS Institute  << Previous | Next >> •Goutam Chakraborty, Oklahoma State  University  • Rona Bellinger, AFMC Manager of Web &  Graphic Services  • Karen Gabel and Tori Gammill, AFMC  HPMP Team Members  • AFMC’s Data Mining Team 29  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 
  • 30. Questions??? Contact:  S. Greg Potts, MBA  Data Mining Team Leader  Arkansas Foundation for Medical Care  Office of Projects and Analysis  401 West Capitol, Suite 410  Little Rock, AR 72201  (501) 212­8734 Phone  (501) 375­1201 Fax  E­mail: spotts@afmc.org  30  ©2007 Arkansas Foundation for Medical Care, Inc.  SAS M2007 Data Mining Conference | October 1­2, 2007 | Las Vegas 

×