Viele Forscher sind daran interessiert, wie sich die Kostenteilung auf die Inanspruchnahme der Gesundheitsversorgung, die Kosten und die Patientenergebnisse auswirkt. Dies gilt insbesondere, da Krankenversicherungspläne mit hohem Selbstbehalt (HDHP) in den USA immer häufiger vorkommen. Im Jahr 2023 hatten 29 % der versicherten Arbeitnehmer in den USA einen HDHP.
Eine hilfreiche Art von Daten für die Analyse von HDHPs sind Schadensdaten. Allerdings gibt es bei der Verwendung dieser Daten Herausforderungen:
Der erste Typ [of claims data] Enthält detaillierte Informationen zur Planstruktur, weist jedoch häufig eine geringe externe Validität auf, da sie normalerweise von einem einzelnen Krankenversicherer oder einer kleinen Untergruppe von Versicherten bezogen wird. Der zweite Typ hat die externe Validität durch die Bündelung über mehrere Versicherer hinweg verbessert, enthält jedoch normalerweise keine Planstrukturvariablen, die zur Unterscheidung zwischen HDHPs und Plänen mit niedrigeren Selbstbehalten erforderlich sind, oder zur Interpretation dessen, was binäre „HDHP“-Variablen darstellen.
Ein Artikel von Cliff et al. (2024) zielt darauf ab, zu untersuchen, wie gut man Planselbstbehalte anhand von Schadensdaten anhand von Daten von Optum Labs vorhersagen kann. Die Optum-Daten enthalten Informationen zu Selbstbehalten, die als „Goldstandard“ gelten. Dabei kommen vier unterschiedliche Imputationsansätze zum Einsatz:
Parametrische Vorhersage mit Ausgaben (Regress-on-Spending-Methode). Die jährlichen abzugsfähigen Ausgaben des Teilnehmers werden auf seine jährlichen Gesamtausgaben (Plan plus Selbstbeteiligung), gemeinsame demografische Kovariaten (Geschlecht und Alter) und feste Effekte für jeden Plan zurückgeführt. Verwenden Sie die Regression, um Selbstbehalte abhängig von der festgelegten Ausgabenhöhe mit festen Planeffekten vorherzusagen . Unter Verwendung der Koeffizienten des Best-Fit-Regressionsmodells werden Selbstbehalte für jeden Plan in Höhe eines festen Betrags der Gesamtausgaben vorhergesagt (den die Autoren auf 10.000 US-Dollar festgelegt haben, um die meisten Selbstbehalte zu übertreffen). Parametrische Vorhersage mit Imputation und Planmerkmalen (Methode „Regress on imputed deductibles“). Dieser Ansatz besteht aus zwei Phasen. Zunächst werden Selbstbehalte für eine Untergruppe von Plänen eingegeben, wo sie leicht zu identifizieren sind. Für die zweite Stufe wird eine Reihe von Kovariaten erstellt, die die beobachteten abzugsfähigen Ausgaben und Planmerkmale beschreiben und die Daten von der Einzelperson bis zur Planebene zusammenfassen. Unter Verwendung der Teilmenge der Pläne mit einem unterstellten Selbstbehalt werden die unterstellten Abzugsbeträge auf die Menge der Kovariaten zurückgeführt; Die generierten Koeffizienten werden dann verwendet, um Selbstbehalte für Pläne vorherzusagen, die in der ersten Stufe nicht angerechnet werden konnten. Modal abzugsfähige Ausgaben (Modusmethode). Diese einfache Methode gibt den höchsten (nicht Null) modalen Selbstbehaltsausgabenbetrag unter den Teilnehmern eines Plans ein und wendet diesen Selbstbehalt auf alle Teilnehmer dieses Plans an. 80. Perzentil der abzugsfähigen Ausgaben (80. Perzentil-Methode). Nach Rabideau (2021) werden die individuellen Ausgaben von Monat zu Monat verfolgt, und bei Personen, bei denen die Ausgaben in einem bestimmten Monat steigen, sich die abzugsfähigen Ausgaben jedoch nicht ändern, wird davon ausgegangen, dass sie ihren Selbstbehalt erreicht haben. Anschließend werden die Daten auf individueller Ebene auf die Planebene reduziert und der Selbstbehalt für alle Teilnehmer des Plans auf das 80. Perzentil der jährlichen abzugsfähigen Ausgaben im Plan festgelegt.
Um die Genauigkeit der Imputationsansätze zu bewerten, berechnen die Autoren die Sensitivität, Spezifität und den positiven/negativen Vorhersagewert (PPV/NPV) jeder Methode zur Klassifizierung von Teilnehmern in HDHP- und Nicht-HDHP-Pläne.
Überraschenderweise schnitt die einfache „Modus-Methode“ bei der Klassifizierung von Personen in HDHP vs. nicht HDHP am besten ab. Auch bei der Vorhersage abzugsfähiger Ausgaben schnitt es gut ab.
Die Modusmethode schneidet am besten ab. 72 % der Pläne werden korrekt in die jeweilige Kategorie eingeordnet und 69 % der Pläne weisen einen kalkulatorischen Selbstbehalt auf, der weniger als 250 US-Dollar vom tatsächlichen Selbstbehalt abweicht. Bei dieser Methode verbesserte die Beschränkung der Anrechnung auf Gruppen mit mehr als 50 Teilnehmern die Sensitivität für 85 % der Pläne, die korrekt nach Kategorie klassifiziert wurden, und verringerte die durchschnittliche Differenz zwischen dem unterstellten und dem tatsächlichen Selbstbehalt von 700 $ auf 496 $
Den vollständigen Artikel können Sie hier lesen.
