Suchergebnisse

Risk adjustment is vital in health policy design. Risk adjustment defines the annual capitation payments to health insurers and is a key determinant of insolvency risk for health insurers. In this study we compare the current risk adjustment formula used by Colombia's Ministry of Health and Social Protection against alternative specifications that adjust for additional factors. We show that the current risk adjustment formula, which conditions on demographic factors and their interactions, can only predict 30% of total health expenditures in the upper quintile of the expenditure distribution. We also show the government's formula can improve significantly by conditioning ex ante on measures indicators of 29 long-term diseases. We contribute to the risk adjustment literature by estimating machine learning based models and showing non-parametric methodologies (e.g., boosted trees models) outperform linear regressions even when fitted in a smaller set of regressors. ; El ajuste de riesgo es un componente esencial en el diseño de la política del sector de la salud. El ajuste de riesgo define los pagos de capitación que se le hacen a las aseguradoras en salud y determina el riesgo de insolvencia de las mismas. En este estudio comparamos la formula usada actualmente por el Ministerio de Salud y Protección Social para determinar el ajuste de riesgo, contra especificaciones alternativas que controlan por factores de riesgo adicionales. Mostramos que la formula actual, la cual ajusta los pagos solamente a factores de riesgo demográficos, predice tan solo el 30 % del gasto en el quintil superior de la distribución del gasto. Nuestros resultados muestran que incorporar indicadores de 29 enfermedades de larga duración en un modelo lineal, como el que usa el gobierno, mejora su capacidad predictiva considerablemente. Finalmente, contribuimos a la literatura de ajuste de riesgo a través de la estimación de modelos de aprendizaje de máquinas y mostramos que modelos no paramétricos (e.g., boosting de arboles) tienen un mejor desempeño que los modelos lineales, incluso cuando se ajustan sobre un conjunto de regresores más pequeño.

We introduce new risk groups to a standard capitation formula and evaluate risk selection incentives of insurers. The study uses a unique data set of almost 24 million affiliates to Government's mandatory health insurance system. This data set is very rich in the sense of reporting all claims during year 2010, basic demographic variables, initial diagnostic, health services, pharmaceuticals used, etc. It compromises more than 300 million claims. We construct two diagnostic related groups: an adaptation of the 3M algorithm, and a ad hoc diagnostic related group constructed by the authors. Using standard linear capitations formulas we evaluate incentives for cream skimming using several measures. In general, results show a notable improvement in the explanatory power of health expenditures by introducing the ad hoc diagnostic related groups to the standard Colombian risk adjustment formula. With the new risk groups the R2 of the model is 13.53% as opposed to 1.45% of the current formula. Furthermore, for users in the highest expenditure quintile, expected expenditure is 71% of actual expenditure, as opposed to 27% under the current formula. This suggest there is much space for improving the current Colombian capitation formula using information that is currently available. ; Introducimos nuevos grupos de riesgo a una fórmula de capitación estándar y evaluamos los incentivos a la selección de riesgos de las aseguradoras. El estudio usa una base de datos única de 24 millones de afiliados al sistema de seguridad social en salud obligatorio de Colombia. La base de datos es muy rica en el sentido de reportar todas las reclamaciones durante el 2010, variables demográficas básicas, código de diagnóstico inicial, servicios de salud, medicamentos, etc. Esta ´ consiste de más de 300 millones de reclamaciones. En este artículo construimos dos grupos relacionados de diagnóstico: una adaptación del algoritmo 3M y unos grupos ad hoc construidos por los autores. En general los resultados muestran una notable mejora, con respecto a la fórmula actual de ajuste de riesgo en Colombia, en el poder explicativo del gasto en salud de utilizar los grupos de diagnóstico de los autores. Con estos nuevos grupos el R2 del modelo es 13,53 % en comparación con el 1,45 % de la fórmula actual. Más aún, para los usuarios del sistema con gastos en el quintil más alto, el gasto esperado es el 71 % del gasto observado, en comparación al 27 % bajo la fórmula actual. Esto sugiere que existe bastante espacio para mejorar la fórmula de capitación actual en Colombia usando información actualmente disponible para el Ministerio de Salud y Protección Social.