Kostenprognosen mit Machine Learning
Wie können Machine Learning Methoden verwendet werden zur Prognose von Krankheitskosten?
Steckbrief
- Lead-Departement Gesundheit
- Institut(e) Institut für Gesundheitsökonomie und Gesundheitspolitik
- Förderorganisation Andere
- Laufzeit 15.03.2020 - 31.03.2021
- Projektverantwortung Mark Pletscher
- Projektleitung Mark Pletscher
-
Projektmitarbeitende
Prof. Dr. Tobias Benjamin Müller
Niklaus Meier - Partner Suva
Ausgangslage
Auftrag zur Prognose und Dekomposition der Kosten in der Unfallversicherung durch die SUVA.
Vorgehen
Wettbewerb zwischen klassisch parametrischen Modellen zur Prognose von Krankheitskosten und Machine Learning Ansätzen. Die Modelle wurden jeweils in Trainingsdaten trainiert und anhand von Testdaten evaluiert.
Ergebnisse
Machine Learning Ansätze (Random Forests, Neural Networks, LASSO, etc.) bringen klare Vorteile in der Prognosefähigkeit und sind daher klassischen Ansätzen gegenüber vorzuziehen. Insbesondere Random Forests (+ Model-based Random Forests) haben sich als vielversprechende Alternative hervorgetan. Die Dekomposition der Kosten hat ein überdurchschnittliches Kostenwachstum bei den ambulanten Leistungen gezeigt.
