Kostenprognosen mit Machine Learning
Wie können Machine Learning Methoden verwendet werden zur Prognose von Krankheitskosten?
Fiche signalétique
- Département responsable Santé
- Institut(s) Institut d’Economie et Politique de la Santé
- Organisation d'encouragement Autres
- Durée 15.03.2020 - 31.03.2021
- Responsable du projet Mark Pletscher
- Direction du projet Mark Pletscher
-
Équipe du projet
Prof. Dr. Tobias Benjamin Müller
Niklaus Meier - Partenaire Suva
Situation
Auftrag zur Prognose und Dekomposition der Kosten in der Unfallversicherung durch die SUVA.
Approche
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.
Résultat
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.
