[論文レビュー] Deep Claim: Payer Response Prediction from Claims Data with Deep Learning

Byung‐Hak Kim, Seshadri Sridharan+2 more|arXiv (Cornell University)|Jul 13, 2020

Machine Learning in Healthcare参考文献 22被引用数 7

ひとこと要約

Deep Claim は、熟練した特徴工学を必要とせず、生の請求データから保険者応答（拒否または支払い日）を直接予測する深層学習フレームワークを提案する。ゲーティング機構と双線形プーリングを用いたマルチタスク学習により文脈依存の埋め込みを学習することで、ベースライン比で22.21%の相対的再現率向上を達成し、請求項目に対する解釈可能な不審度スコアを提供する。

ABSTRACT

Each year, almost 10% of claims are denied by payers (i.e., health insurance plans). With the cost to recover these denials and underpayments, predicting payer response (likelihood of payment) from claims data with a high degree of accuracy and precision is anticipated to improve healthcare staffs' performance productivity and drive better patient financial experience and satisfaction in the revenue cycle (Barkholz, 2017). However, constructing advanced predictive analytics models has been considered challenging in the last twenty years. That said, we propose a (low-level) context-dependent compact representation of patients' historical claim records by effectively learning complicated dependencies in the (high-level) claim inputs. Built on this new latent representation, we demonstrate that a deep learning-based framework, Deep Claim, can accurately predict various responses from multiple payers using 2,905,026 de-identified claims data from two US health systems. Deep Claim's improvements over carefully chosen baselines in predicting claim denials are most pronounced as 22.21% relative recall gain (at 95% precision) on Health System A, which implies Deep Claim can find 22.21% more denials than the best baseline system.

研究の動機と目的

• 請求が提出される前に対象となる保険者応答（拒否または支払い日）を予測する自動的かつデータ駆動型のシステムを構築すること。これにより、事務的負担と収益サイクルの遅延を軽減する。
• 生の請求データから低レベルで文脈依存の表現を直接学習することで、熟練した特徴工学や保険者固有のデータ統合に依存しないこと。
• 特に、1件あたり120ドルの費用がかかる拒否の予測精度と正確性を向上させること。
• 拒否予測に寄与する最も不審な請求項目を特定することで解釈可能性を提供し、スタッフが提出前に誤りを是正できること。
• 多様な保険者構成と一般患者集団を有する米国2か所の医療機関において、実世界での有効性を示すこと。

提案手法

• ゲーティング層と双線形プーリングを用いて、高レベルの請求入力内の複雑な依存関係をモデル化し、患者の請求に対して低レベルで文脈依存の表現を構築する。
• 拒否理由コード制約（λ₀=1.0, λ₁=1.0）を用いたマルチタスク学習により、拒否予測と応答日推定を同時に最適化する。
• 各請求項目が拒否予測に与える寄与度を定量化するために、特徴の勾配感度に基づく不審度スコア指標を用いる。
• コンピュータビジョン（例：残差接続）を模倣した深層ニューラルネットワークアーキテクチャを採用し、スパarsity が高く次元が大きい請求データを処理する。
• 熟練した特徴工学やドメインスペシャリストの入力を一切行わず、生の請求データを直接利用することで、多様な保険者間での一般化を可能にする。
• 請求書（例：CMS-1500）に不審度スコアを可視化し、拒否の原因になりやすい項目を強調表示することで、提出前のレビューを支援する。

実験結果

リサーチクエスチョン

• RQ1 熟練した特徴工学を必要とせず、生の請求データから保険者応答（拒否または支払い日）を正確に予測できる深層学習モデルは構築可能か？
• RQ2 拒否理由コード制約を備えた提案されたマルチタスク学習フレームワークは、ベースラインと比較して、拒否予測の再現率と正確性をどのように向上させるか？
• RQ3 モデルは、拒否予測に寄与する最も不審な請求項目をどれほど正確に同定・順位付けできるか？
• RQ4 Deep Claim は、単純なベースラインと比較して、応答日予測における再現率向上とMAE低減の相対的パフォーマンス向上をどの程度達成するか？
• RQ5 解釈可能性モジュールは、収益サイクル担当者が提出前に請求書を是正するのをどの程度効果的に支援するか？

主な発見

• Deep Claim は、健康システムAにおいて、95%の正確性を維持した状態で、拒否予測においてベースラインで最高の性能を示す22.21%の相対的再現率向上を達成した。
• 健康システムAにおいて、平均絶対誤差（MAE）を単純平均ベースライン比で23.9%低減した。
• 除去実験の結果、ゲーティング機構や拒否理由コード制約といったコアなコンponentsを除去すると、性能が顕著に低下することが確認された。
• 不審度スコアの可視化により、請求項目内の3つの明確な寄与セグメント（x_c, x_d, x_o）が特定され、拒否予測に最も影響を与えるデータポイントが特定された。
• モデルの解釈可能性機能により、医療機関管理者は拒否リスクの高い請求項目を優先的に是正でき、拒否リスクの低減が可能になった。
• 本フレームワークは、多様な保険者構成と一般患者集団を有する米国2か所の医療機関において、強く一般化する能力を示し、実世界での導入可能性を裏付けた。