8. Epics@keio.univ
Logistic回帰
(reference model)
Lasso回帰 Random Forest
勾配Boosted
Machine
Neural Network
Osawa et al
(2020)4
○ ○ ○ ○ ○
Luo et al
(2020)5
○ × ○ ○ ×
Kim & Park
(2019)6
○ × ○ × ○
Yang et al
(2018)7
○ ○ × ○ ○
Tamang et al
(2017)8
○ × × × ×
Note:当該予測モデルを使用した研究に○,そうでない研究に×
機械学習を用いてハイリスク患者を事前に予測する研究が進展
ロジスティック回帰, ランダムフォレスト,勾配決定木,ニューラルネットワークが主に用いられる
9. Epics@keio.univ
アウトカムの時点 予測因子の時点 アウトカム
Osawa et al
(2020)
翌年度 前年度および2年前 年間医療費上位1, 5, 10%の患者か否か
Luo et al
(2020)
翌年 前年
COPD患者の年間医療費の
上位1, 5, 10%患者か否か
Kim & Park
(2019)
翌年 前年 年間医療費上位10%の患者か否か
Yang et al
(2018)
翌年 半年前 医療費(連続値)
Tamang et al
(2017)
翌年 前年 年間医療費上位10%の患者か否か
先行研究は次年度医療費の前年データでの予測に終止している
先行研究は年間医療費のコントロール,すなわち医療システムの管理が目的である
10. Epics@keio.univ
アウトカムの時点 予測因子の時点 アウトカム
Osawa et al
(2020)
翌年度 前年度および2年前 年間医療費上位1, 5, 10%の患者か否か
Luo et al
(2020)
翌年 前年
COPD患者の年間医療費の
上位1, 5, 10%患者か否か
Kim & Park
(2019)
翌年 前年 年間医療費上位10%の患者か否か
Yang et al
(2018)
翌年 半年前 医療費(連続値)
Tamang et al
(2017)
翌年 前年 年間医療費上位10%の患者か否か
先行研究は次年度医療費の前年データでの予測に終止している
先行研究は年間医療費のコントロール,すなわち医療システムの管理が目的である
複数年に渡る継続的な医療費に関する
予測モデルは報告されていない
14. Epics@keio.univ
▶ ランダムフォレストによる多重代入法の例
a11 NA … a1n
a21 a22 :
: :
am1 … … amn
…
X =
BMI_NA
other_than_BMI_NA
BMI_obs
other_than_BMI_obs
1. Y = BMI_obs, X = other_than BMI_obsとしてランダムフォレストでモデルを学習
2. 学習したモデルによりother_than_BMI_NAからBMI_NAを予測し行列Xを更新
3. 行列Xの全ての欠損値に対し上のプロセスを実行し,事前に設定した停止基準
(本研究ではイテレーション最大10回)に達するか,予測が安定するまで更新
BMI
連続値の欠損はランダムフォレストを用いた多重代入法で補完
二値変数の欠損は先行研究(Osawa et al, 2020)に基づき0で代入
15. Epics@keio.univ
Cost level in year t
3 years top 10%
2 years top 10% in bottom 90%
3 years bottom 90%
t - 1 t - 2 t - 3
top 10% top 10% top 10%
top 10% top 10% bottom 90%
top 10% bottom 90% bottom 90%
出典:van Kleef & van Vliet (2022)11
をもとにチームエピックス作成
新規性:複数年の医療費傾向, 及び疾患数を予測モデルに組み込む
一貫して比較的医療費が高い者と,そうでない者を識別することで予測精度を向上
23. Epics@keio.univ
1. Iizuka, T., Nishiyama, K., Chen, B., & Eggleston, K. (2021). False alarm? Estimating the marginal value of health signals. Journal of Public
Economics, 195. h"ps://doi.org/10.1016/j.jpubeco.2021.104368
2. Fukuma, S., Iizuka, T., Ikenoue, T., & Tsugawa, Y. (2020). Association of the National Health Guidance Intervention for Obesity and Cardiovascular
Risks with Health Outcomes among Japanese Men. JAMA Internal Medicine, 180(12), 1630–1637. https://doi.org/10.1001/jamainternmed.2020.4334
3. 関沢洋一, 木村もりよ, 縄田和満(2020)特定保健指導の積極的支援の対象となることはある健康保険組合の組合員の循環器疾患リスクの
減少につながったか?:回帰分断デザイン(RDD)による検証. 医療経済研究. http://ci.nii.ac.jp/naid/40022391014/ja/
4. Osawa, I., Goto, T., Yamamoto, Y., & Tsugawa, Y. (2020). Machine-learning-based prediction models for high-need high-cost patients using
nationwide clinical and claims data. Npj Digital Medicine, 3(1). https://doi.org/10.1038/s41746-020-00354-8
5. Luo, L., Li, J., Lian, S., Zeng, X., Sun, L., Li, C., … Zhang, W. (2020). Using machine learning approaches to predict high-cost chronic obstructive
pulmonary disease patients in China. Health Informatics Journal, 26(3), 1577–1598. https://doi.org/10.1177/1460458219881335
6. Kim, Y. J., & Park, H. (2019). Improving Prediction of High-Cost Health Care Users with Medical Check-Up Data. Big Data, 7(3), 163–175.
https://doi.org/10.1089/big.2018.0096
7. Yang, C., Delcher, C., Shenkman, E., & Ranka, S. (2018). Machine learning approaches for predicting high cost high need patient expenditures in
health care 08 Information and Computing Sciences 0801 Artificial Intelligence and Image Processing. BioMedical Engineering Online, 17.
https://doi.org/10.1186/s12938-018-0568-3
8. Tamang, S., Milstein, A., Sørensen, H. T., Pedersen, L., Mackey, L., Betterton, J. R., … Shah, N. (2017). Predicting patient “cost blooms” in Denmark:
A longitudinal population-based study. BMJ Open, 7(1). https://doi.org/10.1136/bmjopen-2016-011580
9. Bilazarian, A. (2021). High-need high-cost patients: A Concept Analysis. Nursing Forum, 56(1), 127–133. https://doi.org/10.1111/nuf.12500
24. Epics@keio.univ
10. Wammes, J. J. G., Van Der Wees, P. J., Tanke, M. A. C., Westert, G. P., & Jeurissen, P. P. T. (2018). Systematic review of high-cost patients’
characteristics and healthcare utilisation. BMJ Open. BMJ Publishing Group. https://doi.org/10.1136/bmjopen-2018-023113
11. van Kleef, R. C., & van Vliet, R. C. J. A. (2022). How to deal with persistently low/high spenders in health plan payment systems? Health Economics
(United Kingdom). https://doi.org/10.1002/hec.4477