Abstract 150: Machine Learning Methodology Predicts Comorbidities are Associated With Increased Total Healthcare Costs Among Patients With Severe Peripheral Artery Disease
Notice bibliographique
Résumé
Introduction: Peripheral artery disease (PAD) is manifested over a continuum of severity with comorbidities that may significantly increase healthcare costs (HC). Little research has been completed to understand the healthcare resource use (HRU) and HC in this population, specifically among severe PAD patients. We sought to understand the economic burden in this population. Methods: We identified severe PAD patients (rest pain, gangrene or ulceration) from an integrated administrative claims and electronic medical records database (Optum + Humedica 2007-15) with over 7 million patients. The first PAD diagnosis was the index date. Patients were required to be age ≥50 at index date, have clinical activity and continuous enrollment in the 6-month pre-index and 12-month or until death post-index periods. Patients with history of intracranial hemorrhage, stroke and transient ischemic attack were removed. We assessed HRU and all-cause annual total HC in the post-index period or until death, and descriptive analyses, means and SDs. Reverse Engineering and Forward Simulation (REFS TM ) models, an ensemble of Bayesian networks, were machine learned to examine baseline demographic and clinical characteristics and their association with post-index natural log all-cause annual total HC among living patients. We assessed effect estimates across the ensemble using Mean Percentage Change in Costs (MPCC) with SD. Results: The final study sample included 3,189 severe PAD patients. Mean number of all-cause hospitalizations was 1.3 (SD 1.8) and the mean length of stay was 8.0 days (SD 18.2). The mean all-cause annual total HC per patient was $56,973 (SD $91,523). Highly predictive factors associated with increased costs were (MPCC, SD): chronic ulcer of leg or foot (1.9, 0.1), chronic kidney diseases (CKD; 1.9, 0.2), cellulitis and abscess (1.8, 0.2), hypertension (1.6, 0.1), and carditis and cardiomyopathy (1.2, 0.1). Conclusion: In this study, the presence of chronic ulcers in the lower extremities and CKD were two factors most predictive of increased all-cause total HC in a geographically diverse population of severe PAD patients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».