[論文レビュー] Evaluating Hospital Case Cost Prediction Models Using Azure Machine Learning Studio

Alexei Botchkarev|arXiv (Cornell University)|Apr 4, 2018

Pressure Ulcer Prevention and Management参考文献 3被引用数 3

ひとこと要約

本論文では、病院の症例費用予測における14種類の回帰モデルを素早く評価できるAzure Machine Learning Studioベースのツールを提示する。5つの性能指標を用いた評価により、頑健回帰、ブーストド決定木、決定森回帰が他のモデルを上回ることを示し、医療費予測におけるモデル比較のための公開可能で統合されたプラットフォームを提供する。

ABSTRACT

Ability for accurate hospital case cost modelling and prediction is critical for efficient health care financial management and budgetary planning. A variety of regression machine learning algorithms are known to be effective for health care cost predictions. The purpose of this experiment was to build an Azure Machine Learning Studio tool for rapid assessment of multiple types of regression models. The tool offers environment for comparing 14 types of regression models in a unified experiment: linear regression, Bayesian linear regression, decision forest regression, boosted decision tree regression, neural network regression, Poisson regression, Gaussian processes for regression, gradient boosted machine, nonlinear least squares regression, projection pursuit regression, random forest regression, robust regression, robust regression with mm-type estimators, support vector regression. The tool presents assessment results arranged by model accuracy in a single table using five performance metrics. Evaluation of regression machine learning models for performing hospital case cost prediction demonstrated advantage of robust regression model, boosted decision tree regression and decision forest regression. The operational tool has been published to the web and openly available for experiments and extensions.

研究の動機と目的

• 病院の症例費用予測における複数の回帰モデルを比較するための統合的かつアクセス可能なツールを開発すること。
• 実世界の医療費データを用いて14種類の多様な回帰アルゴリズムのパフォーマンスを評価すること。
• 複数の性能指標を通じて、病院の症例費用を予測する際に最も正確なモデルを同定すること。
• 医療管理者や研究者による迅速かつ再現可能なモデル評価を可能にすること。
• 本ツールを公開し、健康情報学分野における拡張や再利用を促進すること。

提案手法

• 本研究では、病院の費用データセット上で14種類の回帰モデルを訓練および評価するための標準化されたAzure Machine Learning Studio実験を実装した。
• 各モデルは同一のデータ分割と前処理パイプラインを用いて訓練およびテストされ、公平な比較が保証された。
• モデルの精度を評価するために、決定係数（R-squared）、平均絶対誤差（Mean Absolute Error）、平均二乗誤差の平方根（Root Mean Squared Error）、相対絶対誤差（Relative Absolute Error）、相対二乗誤差（Relative Squared Error）の5つの性能指標が用いられた。
• モデルの評価結果は、解釈が容易な1つの比較表に集約された。
• ツールはWebでアクセス可能な実験としてデプロイされ、再利用や拡張が可能に公開された。
• このフレームワークにより、再実装を伴わずに、さまざまな回帰アルゴリズム間での迅速な反復と比較が可能となった。

実験結果

リサーチクエスチョン

• RQ1 実世界のデータを用いた病院の症例費用予測において、どの回帰モデルが最も優れたパフォーマンスを示すか？
• RQ2 異なる回帰アルゴリズムは、医療費予測における精度と頑健性の観点でどのように比較されるか？
• RQ3 Azure ML Studioにおける統合的で自動化されたツールは、迅速なモデル評価と選定を効果的に支援できるか？
• RQ4 この文脈において、頑健回帰、ブーストドツリー、フォレストベースのモデルの相対的な強みは何か？
• RQ5 提案されたツールは、健康経済学における再現可能で透明性のあるモデル比較をどのように促進するか？

主な発見

• MM型推定を用いた頑健回帰が、評価されたすべてのモデルの中で最高の精度を達成した。
• ブーストド決定木回帰と決定森回帰は、それぞれ全体的なパフォーマンスで2位および3位を占めた。
• 本ツールにより、一貫したデータと指標を用いた14種類の回帰モデルの並べ替え比較が成功裏に実現された。
• 評価結果は1つの統合的テーブルに提示され、解釈性と使いやすさが向上した。
• 運用可能なツールはオンラインに公開され、さらなる実験や拡張が可能にされた。
• 本研究により、頑健回帰および木ベースのモデルが、病院の費用予測タスクにおいて特に効果的であることが確認された。