挑选有利可图的病人:新的研究发现了一些医疗保险病人的意外后果

INFORMS杂志上的新研究制造和服务运营管理研究发现，美国最大的医疗保健资本计划“医疗保险优先计划”(MA)无意中激励医疗计划从传统医疗保险(TM)中挑选有利可图的患者。“人头”是健康计划的每个参与者向医疗保健实践支付的年费。

“与普遍的看法相反，大数据机器学习本身并不能解决这个问题。我们提出了一种改进的医疗损失比例机制，以解决MA中的风险选择问题，”佐治亚理工学院的Turgay Ayer说。

阿耶尔与合著者、新加坡管理大学(Singapore Management University)的佘兆伟(Zhaowei She)和大谷州立大学(Grand Valley State University)的丹尼尔•蒙塔涅拉(Daniel Montanera)表示，从历史上看，MA市场中观察到的这种风险选择，被归因于当前风险调整设计的数据局限性和解释力较低。正因为如此，许多人认为，随着大数据可用性的增加，风险选择将逐渐消失。

“大数据能否治愈医疗保健人头计划中的风险选择?”“博弈论分析”表明，即使当前的MA风险调整设计通过增加大数据的可用性而变得信息完善，风险选择的激励机制仍将持续存在，这主要是因为当前风险调整模型的设计方式。

“这项工作解决了人头模型中的一个关键设计问题医疗保健这种付费模式迅速被世界各地的付款人所采用，”Ayer说。

按人头支付模式无意中激励了交叉补贴行为，在这种情况下，医疗保健提供者通过使用从其他子组收集的按人头支付来战略性地补贴某些子组患者，从而进行风险选择。

“为了解决风险选择问题，支付者应该修改他们当前的人头分配机制，以考虑医疗保健人头分配计划中的交叉补贴行为，这样利润较低的患者就不会被视为二等人，”Ayer说。

她补充说:“没有通用的风险调整算法可以解决风险调整中的战略预测问题，而不明确考虑医疗保健资本计划的潜在机制。”

这项研究呼吁从业者和政策制定者改变他们将风险调整视为纯粹的统计和机器学习问题的观点，更全面地看待对人类的影响。