Uso del aumento de gradiente extremo en los datos de reclamaciones para predecir los costos futuros en una población de Colorado que prioriza la salud

Este informe técnico presenta un enfoque de aprendizaje automático que utiliza la técnica de aumento de gradiente extremo (XGBoost) para predecir los costos futuros de atención médica en la población de Medicaid de Health First Colorado. Mediante el análisis de aproximadamente 3,700 predictores basados ​​en reclamaciones y características demográficas, el estudio obtuvo un valor R² de 0.786, lo que indica una sólida capacidad predictiva. Hallazgos significativos sugieren que los costos previos son los predictores más cruciales de los gastos futuros de atención médica, superando a otros factores basados ​​en reclamaciones. La investigación destaca el potencial del aprendizaje automático para mejorar la gestión de los afiliados de Medicaid con alta utilización de recursos computacionales.