Nueva investigación en la revista INFORMS Gestión de operaciones de fabricación y servicios encuentra que Medicare Advantage (MA), el programa de capitación de atención médica más grande de los EE. UU., incentiva sin querer a los planes de salud para seleccionar pacientes rentables del Medicare tradicional (TM). «Capitación» es la tarifa anual pagada a una práctica de atención médica por cada participante en un plan de salud.
«Contrariamente a la creencia popular, los macrodatos y el aprendizaje automático por sí solos no pueden abordar este problema. Proponemos un mecanismo modificado de tasa de pérdida médica para abordar el problema de selección de riesgos en MA», dice Turgay Ayer, del Instituto de Tecnología de Georgia.
Ayer, junto con los coautores, Zhaowei She de la Universidad de Administración de Singapur y Daniel Montanera de la Universidad Estatal de Grand Valley, dicen que esta selección de riesgo observada en el mercado de MA se ha atribuido históricamente a las limitaciones de datos y al bajo poder explicativo del diseño de ajuste de riesgo actual. Debido a esto, muchos creen que la selección de riesgos desaparecería gradualmente con el tiempo con una mayor disponibilidad de big data.
El estudio, «¿Pueden los macrodatos curar la selección de riesgos en el programa de capitación de atención médica? Un análisis teórico del juego», muestra que incluso si el diseño actual de ajuste de riesgo de MA se volviera perfecto desde el punto de vista de la información a través de una mayor disponibilidad de macrodatos, los incentivos continuarían para la selección de riesgos. principalmente por la forma en que está diseñado el actual modelo de ajuste de riesgos.
«Este trabajo aborda un problema de diseño crítico en el modelo de capitación, un modelo emergente de pago de atención médica adoptado rápidamente por los pagadores de todo el mundo», dice Ayer.
Los modelos de pago de capitación incentivan de manera involuntaria comportamientos de subsidios cruzados, en los que los proveedores de atención médica realizan una selección de riesgos a través de subsidios estratégicos a algunos subgrupos de pacientes mediante pagos de capitación recaudados de otros subgrupos.
«Para abordar los problemas de selección de riesgos, los pagadores deben modificar sus mecanismos de capitación actuales para considerar los comportamientos de subsidios cruzados en los programas de capitación de atención médica para que los pacientes menos rentables no sean tratados como de segunda clase», dice Ayer.
«Ningún algoritmo de ajuste de riesgo genérico puede resolver el problema de predicción estratégica en el ajuste de riesgo sin tener en cuenta explícitamente el mecanismo subyacente en los programas de capitación de atención médica», agrega She.
Este estudio hace un llamado a los profesionales y formuladores de políticas para que cambien su visión de ver el ajuste de riesgo como un problema de aprendizaje automático y puramente estadístico y para que analicen de manera más integral el impacto humano.
Zhaowei She et al, ¿Puede Big Data curar la selección de riesgos en el programa de capitación de atención médica? Un análisis teórico del juego, Gestión de operaciones de fabricación y servicios (2022). DOI: 10.1287/msom.2022.1127
Citación: Selección de pacientes rentables: una nueva investigación identifica consecuencias no deseadas para algunos pacientes de Medicare (4 de enero de 2023) consultado el 4 de enero de 2023 en https://medicalxpress.com/news/2023-01-cherry-picking-profitable-patients-unintended -consecuencias.html
Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.