Журнал клинических исследований и биоэтики

Абстрактный

Подход на основе данных к модернизации модели корректировки рисков организаций, оказывающих подотчетную медицинскую помощь (ACO)

Юбин Парк, Кевин Бьюкен, Джейсон Пикконе, Брэндон Сим

Подотчетные организации по уходу (ACO) включают группы поставщиков медицинских услуг, которые добровольно объединяются для предоставления скоординированной высококачественной помощи согласованным бенефициарам. Многие ACO, такие как программа общих сбережений Medicare и программа ACO REACH, могут участвовать в альтернативных моделях оплаты, которые отличаются от распространенной модели оплаты за услуги. В этих альтернативных моделях оплаты поставщики и плательщики разделяют финансовый риск, чтобы согласовать финансовые стимулы ACO с двойной целью снижения общей стоимости ухода и повышения качества ухода. Другими словами, ACO могли бы получать прибыль, сохраняя здоровье своих пациентов и предотвращая ненужную госпитализацию. Однако, чтобы эта финансовая структура работала так, как задумано, должна быть модель корректировки риска (RA), чтобы изменить возмещение пропорционально риску бенефициара; в противном случае ACO могут регистрировать только здоровых пациентов, т. е. неблагоприятный отбор. Хотя большинство ACO принимают модели RA по этой причине, первоначальная методология RA в основном оставалась неизменной в течение последних нескольких десятилетий. В результате некоторые участники ACO нашли способы «обмануть» систему: получить непропорциональные выплаты за риск, который они несут. Чтобы смягчить потери, федеральное правительство добавило различные механизмы посткорректировки, такие как смешивание скорректированного по риску эталона с историческими расходами, корректировка с помощью коэффициента интенсивности кодирования, ограничение темпов роста оценки риска и включение стимулов за справедливость в отношении здоровья. К сожалению, эти механизмы накладываются друг на друга нелинейным и прерывистым образом, из-за чего их фактические эффекты и эффективность трудно распутать и оценить. В этой статье мы обобщим наши уроки, полученные в ходе работы одного из самых успешных ACO в стране, чтобы помочь перестроить модель RA на основе подхода, основанного на данных. Далее мы опишем характеристики идеальной модели RA. Затем мы предлагаем новую, которая отвечает таким требованиям, устраняя необходимость в многоэтапном процессе, включающем нелинейное и прерывистое стадирование. Наконец, мы предоставляем экспериментальные результаты, применяя эту модель к нашим данным ACO и сравнивая их с текущей реализацией RA. Наши экспериментальные результаты показывают, что наши подходы, основанные на данных, позволяют достичь лучших показателей прогнозирования, измеряемых с помощью R-квадрата, меры прогнозирования Камминга и средней абсолютной ошибки прогнозирования.