[论文解读] A Social Network Analysis Framework for Modeling Health Insurance Claims Data

Ana Paula Appel, Vagner Figuerêdo de Santana+3 more|arXiv (Cornell University)|Feb 20, 2018

Healthcare Systems and Technology参考文献 19被引用 3

一句话总结

本文提出了一种社交网络分析框架，通过基于共享患者的医生网络建模健康保险索赔数据，实现对相互转诊、患者留存模式及医生中心性的识别。该方法揭示了医生行为的结构特征，中心性度量之间具有一致性，密集子网络表明存在关键临床枢纽。

ABSTRACT

Health insurance companies in Brazil have their data about claims organized having the view only for providers. In this way, they loose the physician view and how they share patients. Partnership between physicians can view as a fruitful work in most of the cases but sometimes this could be a problem for health insurance companies and patients, for example a recommendation to visit another physician only because they work in same clinic. The focus of the work is to better understand physicians activities and how these activities are represented in the data. Our approach considers three aspects: the relationships among physicians, the relationships between physicians and patients, and the relationships between physicians and health providers. We present the results of an analysis of a claims database (detailing 18 months of activity) from a large health insurance company in Brazil. The main contribution presented in this paper is a set of models to represent: mutual referral between physicians, patient retention, and physician centrality in the health insurance network. Our results show the proposed models based on social network frameworks, extracted surprising insights about physicians from real health insurance claims data.

研究动机与目标

• 为解决传统索赔分析仅关注提供方的局限性，通过纳入医生视角和患者流动信息。
• 利用共享患者作为专业协作或转诊的代理指标，对医生关系进行建模。
• 通过基于网络的度量识别出体现医生卓越表现或潜在滥用行为的模式。
• 支持健康保险公司管理提供方网络并改善患者护理协调。
• 使用一家主要巴西健康保险公司提供的18个月真实索赔数据库对框架进行验证。

提出的方法

• 使用共享患者作为医生间专业关系的代理，构建医生-医生网络。
• 应用四种中心性度量——度中心性、接近中心性、中介中心性和特征向量中心性，评估医生在网络中的重要性。
• 将相互转诊定义为基于共享患者转诊的对称转诊模式。
• 将患者留存建模为同一医生-患者对随时间返回就诊的频率。
• 计算网络密度以评估子群组内的连通性，特别是排名靠前的医生。
• 通过合作健康保险公司中的医生、流程分析师和IT专家进行专家评审验证结果。

实验结果

研究问题

• RQ1 当缺乏直接转诊数据时，如何从健康保险索赔数据中对医生关系进行建模？
• RQ2 医生网络中的中心性度量之间相关性如何，表明基于网络的洞察是否稳健？
• RQ3 患者留存和相互转诊中的哪些模式可指示高绩效或潜在问题的医生行为？
• RQ4 医生的网络结构如何随时间演变，其揭示了临床协作的哪些特征？
• RQ5 对索赔数据进行社交网络分析能否检测出具有临床意义的子网络，例如高度互联的医生密集簇？

主要发现

• 四种中心性度量（度中心性、接近中心性、中介中心性和特征向量中心性）表现出高度一致性，前100名医生中重叠比例为10%–20%，表明网络洞察具有稳健性。
• 2014年第二季度，特征向量中心性排名前10位的医生在各项度量中高度一致，其中14位的排名顺序相同。
• 整体网络密度为0.001，但前100名医生的密度上升至0.6，前40名的密度达0.9，表明局部连通性较强。
• 21位顶尖医生（2014年第二季度）的网络密度达0.933，显示近乎完全的相互连通性。
• 顶尖医生在地理上呈聚集分布，其中四位来自同一地区（圣保罗），表明地理位置是网络形成的关键因素。
• 该框架成功识别出具有临床意义的模式，包括医生枢纽和转诊簇，对欺诈检测和护理协调具有实际业务价值。