Statistische Risikomodellierung in der Krankenversicherung

Transkript

1 Statistische Risikomodellierung in der Krankenversicherung Vortrag für das Swiss Statistics Meeting in Luzern 15. November 2007 Leiter Mathematik & Statistik, CSS Versicherung AG Leiter CSS Institut für empirische Gesundheitsökonomie

2 Disposition 1. Statistische Besonderheiten der Krankenversicherung 2. Methodische Probleme 3. Wichtige Beiträge aus der Statistik 4. Ausblick

3 Credits to Urs Käser Bernhard Keller Ute Kunze Ute Studer Maria Trottman Stefan von Rotz

4 1. Statistische Besonderheiten: Datenbasis 1 Million Individualdaten über 11 Jahre Schneller Zugriff dank eigener, statistischer Datenbank Zunehmend aussagekräftigere Daten: o Alter / Geschlecht / Geographie / Behandlungs- Codes / Medikamenten-Codes / {Diagnosen / Arzt-Patientinnen-Beziehung / Finanzierung der Kosten etc.

5 Schiefe Verteilung der Gesundheitskosten 100% Kosten [%] 90% 80% 70% 60% 50% 40% 30% 20% 10% 1% der Patienten verursacht 17% der Kosten 70% verursachen lediglich 12% 10% verursachen 60% 0% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% Patienten [%]

6 Hohe Varianz der Daten Varianz innerhalb der Bevölkerung Varianz bei Diagnose und Behandlung o o Eines der gängigsten Medikament in Frankreich, in den USA und GB als wirkungslos angesehen (Erweiterung zerebraler Blutgefässe). In ¾ der Fälle weniger als 50% Übereinstimmung der Diagnosen von Psychiatern. Laien weisen untereinander höhere Übereinstimmung auf als die Psychiater; etc. o Quelle: Payer (1988) Varianz im Abrechnungsprozess o Behandlungsbeginn / Rechnungsstellung / Abrechnung beim Versicherer (bis 5 Jahre verzögert)

7 Teuerungsprognose mit Abrechnungsdaten 8% 6% Jahresteuerung in % 4% 2% 0% Zeitpunkt Prämienkalkulation 99-2% Letzter Interventionszeitpunkt -4% Jan.98 Apr.98 Jul.98 Okt.98 Jan.99 Apr.99

8 Teuerungsprognose mit Abrechnungsdaten 8% 6% Teuerung ist ist statistisch nicht nachweisbar (??) Jahresteuerung in % 4% 2% 0% Zeitpunkt Prämienkalkulation 99-2% Letzter Interventionszeitpunkt -4% Jan.98 Apr.98 Jul.98 Okt.98 Jan.99 Apr.99

9 Kosten pro Kopf und Tag nach Behandlungsbegin Jan. Feb. März Apr. Mai Juni Juli Aug. Sept. Okt. Nov. Dez.

10 Kosten pro Kopf und Tag nach Behandlungsbegin Teuerung im Rahmen einer Zeitreihenanalyse statistisch hoch signifikant Jan. Feb. März Apr. Mai Juni Juli Aug. Sept. Okt. Nov. Dez.

11 2. Methodische Probleme Ausreisser sind wichtiger Teil der Daten und können nicht abgeschnitten werden (z.b. teure Hochkostenfälle) Erfahrung mit robusten Methoden: Sehr rechenintensiv bei geringem Erkenntnisgewinn; z.t. fehlende Algorithmen Log-Transformation i. d. R. nicht ausreichen und führt zu Retransformations-Problemen Es gilt das Gesetz der sehr grossen Zahl (ab n > ) Kommunikationsproblem: Was ist ein Log(Fr.)? Zweistufige Schätzungen sind häufig nicht erwartungstreu Wir sind bekennende OLS-Anwender, weil erwartungstreu und Ineffizienz bei hohem n unwichtig

12 3. Wichtige Beiträge der Statistik Verbesserte Teuerungsprognosen für die Prämienkalkulation Präzisere Wirtschaftlichkeitsprüfung bei Ärzten Mathematische Basis für die Risikobeurteilung des Gesamtunternehmens (Bestimmung optimaler Reservebildung) Revisionsvorschläge zum Risikoausgleich

13 Das Problem der Einheitsprämie: Risikoselektion Kosten pro Kopf und Monat Risikogruppen nach Alter und Geschlecht

14 Das Problem der Einheitsprämie: Risikoselektion Kosten pro Kopf und Monat Prämien pro Kopf und Monat Kasse A Risikogruppen nach Alter und Geschlecht

15 Das Problem der Einheitsprämie: Risikoselektion Kosten pro Kopf und Monat Prämien pro Kopf und Monat Kasse A Kasse B Risikogruppen nach Alter und Geschlecht

16 Heutiger Risikoausgleich in der Schweiz Kosten pro Kopf und Monat Mittelwert Risikogruppen nach Alter und Geschlecht

17 Problem des demographischen Risikoausgleichs Die Korrelation zwischen Gesundheitsausgaben, Alter und Geschlecht beträgt 4% (= R 2 ). Die Risikomodelle der Krankenversicherer erklären inzwischen 50% - 60% der Varianz individueller Kosten.

18 Prämienvorteil durch Risikoselektion 5 Jahres-Effekte berechnet auf Individualdatensätzen Ohne Risikoausgleich: 41% Risikoausgleich nur mit Alter, Geschlecht: 32%..zusätzlich mit Hochrisikopool: 31% (status quo) (Bundesrat) Kostensparprogramme: 25% (Referenz) 0% 5% 15% 25% 35% 45%

19 Hospitalisation im Vorjahr als (primitiver) Indikator der Morbidität Versicherte mit Spitalaufenthalt in in 2003 ( ), ), Kosten im imschnitt im imjahr 2004 doppelt soviel wie Versicherte ohne Spitalaufenthalt in in 2003 ( ). ) Mittel Risikogruppen nach Alter, Geschlecht & Spital im Vorjahr

20 AIDS: 2'080 Fr./Mon. Aus RA: 1'900 Fr./Monat Problem mit Chronikern Kosten pro Kopf und Monat Durchschnitt Risikogruppen nach Alter und Geschlecht

21 Risikoausgleich mit Medikamentenkostengruppen Beiträge für für chronische Krankheiten Kosten pro Kopf und Monat Chronische Krankheiten

22 Risikoausgleich nach Alter & Geschlecht Julia kostet den Versicherer (heute) zusätzlich CHF Solidaritätsbeitrag pro Jahr Bis zum 55 Altersjahr muss Julia CHF Solidaritätsbeiträge leisten Status quo Grund: Julia ist sehr jung und muss in den Risikoausgleich einzahlen! Weder fair noch logisch! Julia (20), Studentin, Diabetes, Kosten: CHF pro Jahr

23 Prämienvorteil durch Risikoselektion 5 Jahres-Effekte berechnet auf Individualdatensätzen Ohne Risikoausgleich: 41% Risikoausgleich nur mit Alter, Geschlecht: 32%..zusätzlich mit Hochrisikopool: 31% (status quo) (Bundesrat)..mit Spital im Vorjahr: 15%..mit Morbiditätsmass: 14% (Ständerat & Nationalrat) (Ständerat optional & Nationalrat) Kostensparprogramme: 25% (Referenz) 0% 5% 15% 25% 35% 45%

24 4. Ausblick Die Forschungsagenda umfasst Fragen folgender Art: o o o Lassen sich Kostenersparnisse in den Sparprogrammen statistisch fundiert nachweisen? Können wir mit Tarmed-Behandlungs-Codes und Medikamenten-Codes individuelle Risiken besser beschreiben? Wie lassen sich Wirtschaftlichkeitsprüfungen für Allgemein-Mediziner auf Spezialärzte übertragen?

25 Danke für Ihr Interesse!