Kostenprognosen mit Machine Learning

Wie können Machine Learning Methoden verwendet werden zur Prognose von Krankheitskosten?

Steckbrief

Ausgangslage

Auftrag zur Prognose und Dekomposition der Kosten in der Unfallversicherung durch die SUVA.

Vorgehen

Wettbewerb zwischen klassisch parametrischen Modellen zur Prognose von Krankheitskosten und Machine Learning Ansätzen. Die Modelle wurden jeweils in Trainingsdaten trainiert und anhand von Testdaten evaluiert.

Ergebnisse

Machine Learning Ansätze (Random Forests, Neural Networks, LASSO, etc.) bringen klare Vorteile in der Prognosefähigkeit und sind daher klassischen Ansätzen gegenüber vorzuziehen. Insbesondere Random Forests (+ Model-based Random Forests) haben sich als vielversprechende Alternative hervorgetan. Die Dekomposition der Kosten hat ein überdurchschnittliches Kostenwachstum bei den ambulanten Leistungen gezeigt.

Dieses Projekt leistet einen Beitrag zu den folgenden SDGs

  • 3: Gesundheit und Wohlergehen