A Hierarchical Bayesian Model for Predicting the Rate of Nonacceptable In-Patient Hospital Utilization
预测不必要住院索赔比例的分层贝叶斯模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究住院索赔的分层二元预测，未描述离散选择行为或其他所列细分问题，现有证据不足以归入这些类别。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
预测不必要住院索赔比例的分层贝叶斯模型
- 研究问题
- 能否利用医院出院索赔记录，回溯预测一次住院是否不必要及相应索赔比例，从而补充依赖详细病历审查的保险审核程序？
- 方法与思路
- 作者采用完整贝叶斯分层逻辑回归，以出院索赔记录为输入，允许回归系数随主要诊断编码随机变化，预测不必要住院概率。
- 材料陈述的贡献
- 摘要称模型通过分层结构刻画诊断编码之间的差异，拟合与预测表现优于跨诊断编码合并估计的标准方法，可补充病历审核。
- 阅读关注点
- 应核对“不必要住院”标签的判定来源、层级结构与先验设定，尤其查看预测比较是否基于独立样本，以及误判如何评估。
- 阅读边界
- 摘要未说明样本范围、标签可靠性、验证设计或改进幅度；回溯预测不能直接说明实际审核效果，也不提供住院必要性的因果解释。
原文摘要
A nonacceptable claim (NAC) is an insurance claim for an unnecessary hospital stay. This study establishes a statistical model that predicts the NAC rate. The model supplements current insurer programs that rely on detailed audits of patient medical records. Hospital discharge claim records are used as inputs in the statistical model to predict retrospectively the probability that a hospital admission is nonacceptable. A full Bayesian hierarchical logistic regression model is used with regression coefficients that are random across the primary diagnosis codes. The model provides better fits and predictions than standard methods that pool across primary diagnosis codes.