[논문 리뷰] Deep Claim: Payer Response Prediction from Claims Data with Deep Learning

Byung‐Hak Kim, Seshadri Sridharan외 2명|arXiv (Cornell University)|2020. 07. 13.

Machine Learning in Healthcare참고 문헌 22인용 수 7

한 줄 요약

Deep Claim은 전문가가 수작업으로 추출한 특징을 사용하지 않고도 원시 청구 데이터에서 직접 보험사의 반응(기각 여부 또는 지급 일자)을 예측하는 딥러닝 프레임워크를 제안한다. 게이팅 메커니즘과 이차 풀링을 통해 맥락에 따라 변하는 임베딩을 학습하는 다중 작업 학습을 통해, 기준 모델 대비 기각 예측에서 상대적 재현율을 22.21% 향상시켰으며, 청구 항목의 이상 여부를 해석 가능한 점수로 제공한다.

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.

연구 동기 및 목표

• 청구 제출 이전에 보험사의 반응(기각 또는 지급 일자)을 자동으로 예측하는 데이터 기반 시스템을 개발하여 행정 부담과 수익 주기 지연을 줄이는 것.
• 원시 청구 데이터에서 저수준의 맥락에 따라 변하는 표현을 직접 학습함으로써 수작업 특징 공학 및 보험사별 데이터 통합에 의존하지 않는 것.
• 특히 청구 기각에 대해 예측 정확도와 정밀도를 향상시켜, 병원에서 기각 청구를 복구하는 데 평균 $120의 비용이 드는 문제를 해결하는 것.
• 기각 예측에 기여하는 가장 이상한 청구 항목을 식별함으로써 가시성을 제공하여, 직원들이 제출 전 오류를 수정할 수 있도록 하는 것.
• 다양한 보험사 조합과 일반 환자 인구를 가진 두 개의 미국 의료기관에서 실제 환경에서의 효과를 입증하는 것.

제안 방법

• 게이팅 레이어와 이차 풀링을 사용해 고수준의 청구 입력 내 복잡한 의존 관계를 모델링하는 저수준의 맥락에 따라 변하는 환경 표현을 구성한다.
• 기각 사유 코드 제약 조건(λ₀=1.0, λ₁=1.0)을 적용한 다중 작업 학습을 통해 기각 예측과 지급 일자 추정을 동시에 최적화한다.
• 각 청구 항목의 기각 예측에 기여도를 정량화하기 위해 특징 기울기 민감도를 기반으로 한 이상도 점수 메트릭을 사용한다.
• 컴퓨터 비전 기반의 딥 네트워크 아키텍처(예: 잔차 연결)를 활용해 희소하고 고차원적인 청구 데이터를 처리한다.
• 사전 특징 공학이나 도메인 전문가의 입력 없이도 원시 청구 데이터를 직접 활용하여 다양한 보험사 간 일반화 능력을 확보한다.
• 청구서(예: CMS-1500)에 이상도 점수를 시각화하여 기각 원인이 될 가능성이 높은 항목을 강조함으로써 제출 전 검토를 지원한다.

실험 결과

연구 질문

• RQ1 전문가의 특징 공학 없이도 원시 청구 데이터에서 직접 보험사의 반응(기각 여부 또는 지급 일자)을 정확하게 예측할 수 있는가?
• RQ2 기각 사유 코드 제약 조건을 적용한 제안된 다중 작업 학습 프레임워크는 기준 모델 대비 재현율과 정밀도 향상에 얼마나 기여하는가?
• RQ3 모델은 기각 예측에 기여하는 가장 이상한 청구 항목을 어느 정도 식별하고 순위를 매길 수 있는가?
• RQ4 기본 모델 대비 Deep Claim의 상대적 성능 향상은 기각 예측의 재현율 향상과 지급 일자 예측의 평균 절대 오차(MAE) 감소에 얼마나 기여하는가?
• RQ5 가시성 기능은 수익 주기 관리 직원들이 제출 전 청구서를 수정하는 데 얼마나 효과적으로 기여하는가?

주요 결과

• Deep Claim은 Health System A에서 기각 예측 시 95% 정밀도에서 상대적 재현율을 22.21% 향상시켜 최고의 기준 모델을 뛰어넘었다.
• Health System A에서 보험사 반응 일자 예측의 평균 절대 오차(MAE)를 단순 평균 기준 모델 대비 23.9% 감소시켰다.
• 제거 실험 결과, 게이팅 메커니즘 또는 기각 사유 코드 제약 조건과 같은 핵심 구성 요소를 제거할 경우 성능이 크게 악화됨을 확인했다.
• 이상도 점수 시각화 결과 청구 항목 내 세 가지 명확한 기여 영역(x_c, x_d, x_o)을 식별하여 기각 예측에 가장 영향을 주는 데이터 포인트를 파악할 수 있었다.
• 해당 모델의 해석 가능성 기능은 의료 기관 관리자가 제출 전 위험도가 높은 청구 항목을 우선순위로 수정함으로써 기각 위험을 줄이는 데 기여한다.
• 이 프레임워크는 다양한 보험사 조합과 일반 환자 인구를 가진 두 개의 미국 의료기관에서 강력한 일반화 능력을 보이며 실제 적용 가능성을 입증했다.