ReClaim：用全国医保理赔数据预训练医疗基础模型
Foundation Models to Unlock Real-World Evidence from Nationwide Medical Claims
研究团队提出 ReClaim，基于 MarketScan 数据库中超过 2 亿参保人的 438 亿条理赔记录从零预训练生成式基础模型，联合学习诊断、手术、用药与费用信息，训练数据截止 2022 年底。
作者：Fan Ma、Yuntian Liu、Xiang Lan、Weipeng Zhou、Jun Ni、Mauro Giuffrè、Lingfei Qian、Xueqing Peng、Yujia Zhou、Ruey-Ling Weng、Huan He、Lu Li、Huiyuan Wang、Qingyu Chen、Andrew Loza、Laila Rasmy、Degui Zhi、Yuan Lu、Chenjie Zeng、Joshua C Denny、Lee Schwamm、Daniella Meeker、Brian Ondov、Lucila Ohno-Machado、Yong Chen、Hua Xu
摘要：真实世界数据日益为监管和临床决策提供依据。作为其主要来源之一，行政理赔数据在整个参保期间持续追踪各医疗服务提供方的诊疗及其费用，但在医疗健康基础模型领域仍基本未被探索。在此，我们提出 ReClaim，这是一系列生成式基础模型，基于 MarketScan Research Databases 中超过 2 亿参保人的 438 亿条理赔记录构建。ReClaim 通过从零开始的预训练联合学习诊断、手术、药物和支出，随后通过后训练专门用于下游预测任务，训练截止时间为 2022 年底。在预测 1000 多种疾病时，ReClaim 的平均 ROC-AUC 达到 0.769，优于疾病特异性梯度提升模型（0.663）和基于 transformer 的基线模型（0.694），并且在泛化到两个独立的跨领域电子健康记录数据集时仍保持这一优势。ReClaim 在预测下一年度支出以及识别高需求、高成本参保人方面也优于梯度提升模型。在截止日期之后的数据（2023-2024 年）上，ReClaim 在疾病预测和支出预测方面仍保持优势。除预测外，以随机对照试验的预期结果为基准，与算法衍生的协变量相比，将 ReClaim 表示用作协变量可改善效应估计。总之，这些结果确立了全国性保险理赔数据作为可扩展基础，可支撑医疗健康基础模型在真实世界证据研究中开展疾病预测、支出预测和混杂调整。代码可在 此 https URL 获取。
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2605.02740 [cs.AI] |
| （或本版本的 arXiv:2605.02740v3 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2605.02740 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Fan Ma [查看邮箱]
[v1]
2026 年 5 月 4 日星期一 15:38:31 UTC（6,961 KB）
[v2]
2026 年 5 月 5 日星期二 22:30:29 UTC（6,961 KB）
[v3]
2026 年 10 月 30 日星期五 20:48:02 UTC（6,774 KB）
来源：arXiv cs.CL · arxiv.org