DSAI-08 MACHINE LEARNING-BASED PREDICTION OF INPATIENT CARE COSTS FOR PATIENTS WITH BRAIN METASTASES: A CLAIMS-BASED ANALYSIS
Notice bibliographique
Résumé
Abstract INTRODUCTION Brain metastases (BMs) are increasingly a cause of significant cancer-related morbidity, mortality, and economic burden. Predictive analytics providing BM-related risk-adjusted benefits and inpatient care costs (IPCC) are limited. This study sought to evaluate IPCCs and associated reimbursements for patients with BMs and perform predictive modelling through supervised machine learning (sML) using a contemporary, commercial US claims database. METHODS This retrospective study, reported following STROBE and TRIPOD+AI reporting guidelines, included adult patients (aged 18-65 years) in the United States (US) with BMs included in the MarketScan Commercial Claims and Encounters Database who received inpatient care during January 2016 to December 2021. Eligible patients were identified using ICD-10 codes. IPCC measures were adjusted using Medical Care component of 2023 Consumer Price Index. The primary study outcome was total IPCC, represented by adjusted gross total payments. After log-transformation performed due to data skew, sML was carried out using Random Forest algorithm with 1000 iterations with a 70:30 training-test data split, followed by residual analysis and evaluation of predictive performance using root-mean-squared error (RMSE), out-of-bag error (OOBE), and calibration curve. Multivariable linear regression was carried out for sensitivity analyses. RESULTS Total 25117 unique inpatient admissions across 13477 BM patients were included, with median (IQR) age of 57 years (51-61). Gross median (IQR) CPI-medical-care-adjusted values per admission were: total payments $28,119.51 (16847.45-55111.67); hospital payments $24,678.74 (14601.66-47864.84); and payments to principal physician $884.80 (441.07-2434.15), being 3.6% (IQR 1.9-6.8) of total payment. Median inpatient length-of-stay was 4 days (IQR 2-8). ML model had an OOBE of 0.61 and, using test data, RMSE of 0.85, indicating robust performance. No major deviations were found on residual analysis. CONCLUSIONS Contemporary IPCCs for BM patients in US are substantial but driven minimally by payments to principal physician. sML may be utilized to successfully predict IPCC for BM 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».