[논문 리뷰] Evaluating Hospital Case Cost Prediction Models Using Azure Machine Learning Studio

Alexei Botchkarev|arXiv (Cornell University)|2018. 04. 04.

Pressure Ulcer Prevention and Management참고 문헌 3인용 수 3

한 줄 요약

이 논문은 병원 환자 치료비 예측을 위한 Azure Machine Learning Studio 기반 도구를 제시한다. 이 도구를 통해 14개의 회귀 모델을 빠르게 평가할 수 있으며, 다섯 가지 성능 지표를 사용한 결과, 강건한 회귀, 부스팅된 결정 트리, 결정 숲 회귀 모델이 다른 모델들을 능가함을 입증한다. 본 연구는 의료비 예측 분야에서 모델 비교를 위한 공개 가능하고 통합된 플랫폼을 제공한다.

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.

연구 동기 및 목표

• 병원 환자 치료비 예측에서 다수의 회귀 모델을 비교하기 위한 통합적이고 접근 가능한 도구를 개발하기 위해.
• 실제 의료비 데이터를 사용하여 14개의 다양한 회귀 알고리즘의 성능을 평가하기 위해.
• 다양한 성능 지표를 기반으로 병원 환자 치료비를 예측하는 데 가장 정확한 모델을 특정하기 위해.
• 의료 관리자와 연구자가 빠르고 재현 가능한 방식으로 모델 평가를 수행할 수 있도록 하기 위해.
• 도구를 공개하여 건강정보학 분야에서의 확장과 재사용을 가능하게 하기 위해.

제안 방법

• 연구는 병원 치료비 데이터셋을 대상으로 14개의 회귀 모델을 훈련하고 평가하기 위한 표준화된 Azure Machine Learning Studio 실험을 구현한다.
• 모든 모델은 동일한 데이터 분할 및 전처리 파이프라인을 사용하여 훈련 및 테스트하여 공정한 비교를 보장한다.
• 모델 정확도 평가에 R-제곱, 평균 절대 오차, 제곱근 평균 제곱 오차, 상대 절대 오차, 상대 제곱 오차의 다섯 가지 성능 지표를 사용한다.
• 모델 평가 결과는 해석이 용이한 단일 비교 표로 집계된다.
• 도구는 웹 액세스 가능한 실험으로 배포되었으며, 재사용 및 확장이 가능하도록 공개되었다.
• 이 프레임워크는 재구현이 필요 없이 다양한 회귀 알고리즘 간의 빠른 반복 및 비교를 지원한다.

실험 결과

연구 질문

• RQ1 실제 데이터를 사용할 때 병원 환자 치료비 예측에서 어떤 회귀 모델이 가장 우수한 성능을 보이는가?
• RQ2 다른 회귀 알고리즘은 의료비 예측에서 정확도와 강건성 측면에서 어떻게 비교되는가?
• RQ3 Azure ML Studio 내에서 통합적이고 자동화된 도구가 빠른 모델 평가 및 선택을 효과적으로 지원할 수 있는가?
• RQ4 이 맥락에서 강건한 회귀, 부스팅된 트리, 숲 기반 모델의 상대적 강점은 무엇인가?
• RQ5 제안된 도구는 건강 경제학 분야에서 재현 가능하고 투명한 모델 비교를 어떻게 촉진하는가?

주요 결과

• MM-형 추정기법을 사용한 강건한 회귀 모델이 평가된 모든 모델 중에서 가장 높은 정확도를 기록했다.
• 부스팅된 결정 트리 회귀 모델과 결정 숲 회귀 모델은 각각 전체 성능에서 2위와 3위를 차지했다.
• 도구를 통해 일관된 데이터와 지표를 사용하여 14개의 회귀 모델을 동시에 비교할 수 있었다.
• 평가 결과는 단일 통합 표로 제시되어 이해도와 사용성 모두 향상되었다.
• 운영용 도구는 온라인으로 배포되었으며, 향후 실험과 확장이 자유롭게 가능하도록 공개되었다.
• 본 연구는 강건성과 트리 기반 모델이 병원 치료비 예측 과제에 특히 효과적임을 확인했다.