[论文解读] Machine Learning Recommendation System For Health Insurance Decision Making In Nigeria

Ayomide Owoyemi, Emmanuel Nnaemeka+4 more|arXiv (Cornell University)|May 18, 2023

Artificial Intelligence in Healthcare被引用 4

一句话总结

本文提出了一种基于内容的机器学习推荐系统，利用余弦相似度帮助尼日利亚用户根据位置、预算和服务偏好选择最优的健康维护组织（HMO）。通过筛选HMO并排名前3名匹配结果，该系统减轻了决策疲劳，并改善了在拥有100多个选项的市场中获得健康保险的途径。

ABSTRACT

The uptake of health insurance has been poor in Nigeria, a significant step to improving this includes improved awareness, access to information and tools to support decision making. Artificial intelligence (AI) based recommender systems have gained popularity in helping individuals find movies, books, music, and different types of products on the internet including diverse applications in healthcare. The content-based methodology (item-based approach) was employed in the recommender system. We applied both the K-Nearest Neighbor (KNN) and Cosine similarity algorithm. We chose the Cosine similarity as our chosen algorithm after several evaluations based of their outcomes in comparison with domain knowledge. The recommender system takes into consideration the choices entered by the user, filters the health management organization (HMO) data by location and chosen prices. It then recommends the top 3 HMOs with closest similarity in services offered. A recommendation tool to help people find and select the best health insurance plan for them is useful in reducing the barrier of accessing health insurance. Users are empowered to easily find appropriate information on available plans, reduce cognitive overload in dealing with over 100 options available in the market and easily see what matches their financial capacity.

研究动机与目标

• 通过改善消费者决策工具，解决尼日利亚健康保险参保率低的问题。
• 减少尼日利亚市场中超过100家HMO选项带来的认知过载。
• 开发一种基于用户偏好和位置的个性化、人工智能驱动的推荐系统，用于筛选HMO。
• 通过提供与财务能力一致的透明、数据驱动的推荐，提升健康保险的可及性。
• 验证余弦相似度在匹配用户偏好与HMO服务档案方面相较于KNN的优越性。

提出的方法

• 采用基于内容的过滤方法，重点关注HMO服务属性和用户指定的标准。
• 用户输入包括偏好的位置和价格范围，用于筛选HMO数据集。
• 应用余弦相似度来衡量用户档案与HMO服务提供之间的相似度。
• 系统根据相似度得分对HMO进行排名，并返回前3名推荐结果。
• K-最近邻（KNN）与余弦相似度一并评估，但因与领域知识的契合度较低而被剔除。
• 最终模型在对比评估后，采用余弦相似度作为主要匹配算法。

实验结果

研究问题

• RQ1 基于机器学习的推荐系统在尼日利亚复杂的市场中，如何改善健康保险的选择？
• RQ2 在KNN与余弦相似度之间，哪种相似度算法更符合特定领域的健康保险偏好？
• RQ3 个性化推荐在多大程度上能减轻用户面对超过100家HMO选项时的决策疲劳？
• RQ4 用户定义的约束条件（位置和价格）在HMO推荐逻辑中能多有效地被整合？
• RQ5 在数字基础设施薄弱的背景下，基于内容的方法能否成功将用户档案与HMO服务档案匹配？

主要发现

• 在与KNN的对比评估后，余弦相似度算法因其与领域知识的契合度更高，被选为最优方法。
• 系统成功根据用户指定的位置和价格约束筛选了HMO。
• 基于服务相似度生成了前3名HMO推荐，减轻了用户的选择过载。
• 系统通过匹配用户的财务能力和服务需求，使用户能够做出更明智的决策。
• 推荐工具在提升尼日利亚健康保险参保率方面展现出实际潜力。
• 该模型通过聚焦于相关且个性化的匹配，有效降低了从100多个HMO中选择的复杂性。