临床研究与生物伦理学杂志

抽象的

采用数据驱动的方法来改进责任医疗组织 (ACO) 风险调整模型

Yubin Park、Kevin Buchan、Jason Piccone、Brandon Sim

责任医疗组织 (ACO) 涉及医疗保健提供者团体，他们自愿聚集在一起，为受益人提供协调一致的高质量护理。许多 ACO，例如 Medicare 共享储蓄计划和 ACO REACH 计划，可以参与不同于普遍的按服务收费模式的替代支付模式。在这些替代支付模式中，提供者和付款人分担财务风险，以使 ACO 的财务激励与降低总护理成本和提高护理质量的双重目标保持一致。换句话说，ACO 可以通过保持患者健康和防止不必要的住院治疗来获利。然而，为了使这种财务结构按预期发挥作用，需要有一个风险调整 (RA) 模型来根据受益人的风险比例改变报销；否则，ACO 可能只招收健康患者，即逆向选择。虽然大多数 ACO 出于这个原因采用 RA 模型，但最初的 RA 方法在过去几十年中基本保持不变。因此，一些 ACO 参与者找到了“玩弄”系统的方法：获得与他们承担的风险不成比例的报酬。为了减少浪费，联邦政府增加了各种事后调整机制，例如将风险调整后的基准与历史支出混合、通过编码强度因子进行调整、限制风险评分增长率以及纳入健康公平激励措施。不幸的是，这些机制以非线性和不连续的方式相互叠加，导致其实际效果和功效难以解开和评估。在本文中，我们将总结从运营全国最成功的 ACO 之一中吸取的经验教训，以帮助基于数据驱动方法重建 RA 模型。接下来，我们概述了理想 RA 模型的特征。然后，我们提出了一种满足此类要求的新模型，从而无需涉及非线性和不连续分期的多步骤过程。最后，我们通过将此模型应用于我们的 ACO 数据并将其与当前的 RA 实现进行比较来提供实验结果。我们的实验结果表明，我们的数据驱动方法可以在 R 平方、卡明预测测量和平均绝对预测误差方面实现更好的预测性能。