Machine-Learning-Kostenprognose bei pulmonaler arterieller Hypertonie: Feasibility-Studie
Von KI ausgewählt und zusammengefasst
Worum es geht
Retrospektive Machbarkeitsstudie zur Kombination von Vorhersage der WHO-Funktionsklasse mit Schätzung der Gesundheitskosten bei PAH-Patienten mittels sechs Machine-Learning-Algorithmen.
Ergebnis
181 PAH-Patienten; beste Performance k-nearest neighbors (r=0,40, R²=0,16), gefolgt LASSO (r=0,30, R²=0,09); geschätzte Durchschnittskosten 12.481–12.614 USD/Patient/Monat; trotz verbesserter Funktionsklasse über 12 Monate Kosten stabil. Moderate Vorhersageleistung, aber Machbarkeit der Kostenintegration demonstriert.
Übertragbarkeit auf Deutschland
Deutsche Daten notwendig; Konzept der systemischen Kostenmodellierung für Policy relevant.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.