بسیاری از محققان علاقه مند هستند که چگونه تقسیم هزینه بر استفاده از مراقبت های بهداشتی، هزینه و نتایج بیمار تأثیر می گذارد. این امر به ویژه زمانی صادق است که برنامه های بهداشتی با کسر کسر بالا (HDHP) در ایالات متحده رایج تر شده است. در سال 2023، 29 درصد از کارگران تحت پوشش در ایالات متحده دارای HDHP بودند.
یکی از انواع داده های مفید برای تجزیه و تحلیل HDHP ها، داده های ادعایی است. با این حال، با استفاده از این داده ها چالش هایی وجود دارد:
نوع اول [of claims data] شامل اطلاعات دقیق در مورد ساختار طرح است، اما اغلب اعتبار خارجی ضعیفی دارد، زیرا معمولاً از یک بیمه درمانی منفرد یا زیر مجموعه کوچکی از ثبت نام کنندگان تهیه می شود. نوع دوم اعتبار خارجی را با ادغام بین بیمه‌گران بهبود بخشیده است، اما معمولاً شامل متغیرهای ساختار طرح لازم برای تمایز بین HDHP و طرح‌هایی با کسرهای پایین‌تر، یا تفسیر آنچه که متغیرهای HDHP باینری نشان می‌دهند، نمی‌شود.
مقاله ای از کلیف و همکاران. هدف (2024) بررسی این است که چگونه می توان کسرهای طرح را با استفاده از داده های ادعاها با استفاده از داده های Optum Labs پیش بینی کرد. داده‌های Optum اطلاعاتی در مورد کسر طرح‌ها دارند که به عنوان «استاندارد طلا» استفاده می‌شوند. از چهار روش انتساب مختلف استفاده می شود:
- پیش بینی پارامتری با هزینه (رگرسیون بر روش هزینه). مخارج قابل کسر سالانه ثبت نام کنندگان بر روی کل مخارج سالانه آنها (طرح به علاوه خارج از جیب)، متغیرهای مشترک جمعیتی (جنس و سن) و اثرات ثابت برای هر طرح رگرسیون می شود. . با استفاده از ضرایب مدل رگرسیون مناسب، کسرها برای هر طرح با مقدار ثابتی از کل هزینه پیش‌بینی می‌شوند (که نویسندگان آن را 10000 دلار تعیین کرده‌اند تا از اکثر کسرها بیشتر شود).
- پیش‌بینی پارامتریک با ویژگی‌های انتساب و طرح (رگرسیون بر روش کسرهای منتسب شده). این رویکرد از دو مرحله استفاده می کند. ابتدا، کسرها برای زیرمجموعه‌ای از طرح‌ها وارد می‌شوند، جایی که به راحتی قابل شناسایی هستند. برای مرحله دوم، مجموعه‌ای از متغیرهای کمکی ایجاد می‌شود که مخارج قابل کسر مشاهده‌شده و ویژگی‌های برنامه و داده‌های فروپاشی را از فرد به سطح طرح توصیف می‌کند. با استفاده از زیرمجموعه طرح‌ها با کسر منتسب، مبالغ کسر منتسب به مجموعه متغیرهای کمکی پسرفت می‌شوند. سپس ضرایب تولید شده برای پیش‌بینی کسرها برای طرح‌هایی که در مرحله اول قابل محاسبه نیستند، استفاده می‌شوند.
- هزینه کسر معین (روش حالت). این روش ساده، بالاترین (غیر صفر) مبلغ مخارج کسر معینی را در میان ثبت نام کنندگان در یک طرح وارد می کند و این کسر را برای همه ثبت نام کنندگان در آن طرح اعمال می کند.
- صدک 80 هزینه کسر (روش صدک 80). پس از رابیدو (2021)، هزینه‌های فردی ماه به ماه پیگیری می‌شود و افرادی که هزینه‌های آنها در یک ماه مشخص افزایش می‌یابد اما مخارج قابل کسر تغییر نمی‌کند، فرض می‌شود که به میزان کسر خود رسیده‌اند. سپس، داده‌های سطح فردی به سطح طرح جمع می‌شود و کسر فرانشیز برای همه ثبت‌نام‌کنندگان در طرح به صدک ۸۰ از هزینه‌های کسر سالانه در طرح تنظیم می‌شود.
برای ارزیابی دقت رویکردهای انتساب، نویسندگان حساسیت، ویژگی و ارزش پیش‌بینی مثبت/منفی (PPV/NPV) هر روش را برای طبقه‌بندی ثبت‌نام‌کنندگان در طرح‌های HDHP در مقابل طرح‌های غیرHDHP محاسبه می‌کنند.
با کمال تعجب، “روش حالت” ساده از نظر طبقه بندی افراد در HDHP در مقابل غیر، بهترین عملکرد را داشت. همچنین از نظر پیش‌بینی مخارج قابل کسر عملکرد خوبی داشت.
روش حالت بهترین عملکرد را دارد. 72٪ از طرح ها به درستی در هر دسته طبقه بندی شده اند و 69٪ از طرح ها دارای فرانشیز 250 دلاری از کسر واقعی هستند. برای این روش، محدود کردن انتساب به گروه‌هایی با بیش از 50 ثبت‌نام، حساسیت را به 85 درصد از طرح‌ها که به‌درستی بر اساس دسته‌بندی طبقه‌بندی شده‌اند، بهبود بخشید و میانگین تفاوت بین کسر واقعی و واقعی را از 700 دلار به 496 دلار کاهش داد.
می توانید مقاله کامل را اینجا بخوانید.