Zeitschrift für klinische Forschung und Bioethik

Abstrakt

Ein datengesteuerter Ansatz zur Überarbeitung des Risikoanpassungsmodells von Accountable Care Organizations (ACO)

Yubin Park, Kevin Buchan, Jason Piccone, Brandon Sim

Accountable Care Organizations (ACOs) sind Gruppen von Gesundheitsdienstleistern, die sich freiwillig zusammenschließen, um koordinierte, qualitativ hochwertige Versorgung für abgestimmte Leistungsempfänger bereitzustellen. Viele ACOs, wie das Medicare Shared Savings Program und das ACO REACH-Programm, können an alternativen Zahlungsmodellen teilnehmen, die sich vom vorherrschenden Fee-for-Service-Modell unterscheiden. In diesen alternativen Zahlungsmodellen teilen sich Anbieter und Zahler das finanzielle Risiko, um die finanziellen Anreize der ACOs mit den doppelten Zielen der Reduzierung der Gesamtkosten der Versorgung und der Verbesserung der Versorgungsqualität in Einklang zu bringen. Mit anderen Worten: ACOs könnten davon profitieren, ihre Patienten gesund zu halten und unnötige Krankenhausaufenthalte zu vermeiden. Damit diese Finanzstruktur jedoch wie beabsichtigt funktioniert, muss es ein Risikoanpassungsmodell (RA) geben, um die Erstattung proportional zum Risiko eines Leistungsempfängers zu ändern. Andernfalls nehmen ACOs möglicherweise nur gesunde Patienten auf, d. h. es kommt zu einer negativen Auslese. Während die meisten ACOs aus diesem Grund RA-Modelle übernehmen, ist die ursprüngliche RA-Methodik in den letzten Jahrzehnten größtenteils unverändert geblieben. Infolgedessen haben einige ACO-Teilnehmer Wege gefunden, das System auszutricksen: Sie erhalten unverhältnismäßige Zahlungen für das von ihnen getragene Risiko. Um diese Verschwendung zu mildern, hat die Bundesregierung verschiedene nachträgliche Anpassungsmechanismen eingeführt, wie z. B. die Mischung des risikobereinigten Benchmarks mit historischen Ausgaben, die Anpassung durch einen Kodierungsintensitätsfaktor, die Begrenzung der Wachstumsrate des Risikoscores und die Einbeziehung von Anreizen zur Gesundheitsgerechtigkeit. Leider bauen diese Mechanismen auf nichtlineare und diskontinuierliche Weise aufeinander auf, was dazu führt, dass ihre tatsächlichen Auswirkungen und Wirksamkeit schwer zu entwirren und zu bewerten sind. In diesem Artikel fassen wir unsere Erkenntnisse aus dem Betrieb eines der erfolgreichsten ACOs des Landes zusammen, um das RA-Modell auf der Grundlage eines datengesteuerten Ansatzes neu aufzubauen. Als Nächstes skizzieren wir die Merkmale eines idealen RA-Modells. Dann schlagen wir ein neues Modell vor, das diese Anforderungen erfüllt und die Notwendigkeit eines mehrstufigen Prozesses mit nichtlinearer und diskontinuierlicher Inszenierung überflüssig macht. Schließlich liefern wir experimentelle Ergebnisse, indem wir dieses Modell auf unsere ACO-Daten anwenden und sie mit der aktuellen RA-Implementierung vergleichen. Unsere experimentellen Ergebnisse zeigen, dass unsere datengesteuerten Ansätze bessere Vorhersageleistungen erzielen können, gemessen in R-Quadrat, Cummings Vorhersagemaß und mittlerem absoluten Vorhersagefehler.