Revista de Investigación Clínica y Bioética

Abstracto

Un enfoque basado en datos para modernizar el modelo de ajuste de riesgos de las Organizaciones de Atención Responsable (ACO)

Parque Yubin, Kevin Buchan, Jason Piccone y Brandon Sim

Las Organizaciones de Atención Responsable (ACO, por sus siglas en inglés) son grupos de proveedores de atención médica que se unen voluntariamente para brindar atención coordinada y de alta calidad a los beneficiarios alineados. Muchas ACO, como el programa de ahorros compartidos de Medicare y el programa ACO REACH, pueden participar en modelos de pago alternativos que difieren del modelo de pago por servicio predominante. En estos modelos de pago alternativos, los proveedores y los pagadores comparten el riesgo financiero para alinear los incentivos financieros de las ACO con los objetivos duales de reducir el costo total de la atención y mejorar la calidad de la misma. En otras palabras, las ACO podrían beneficiarse manteniendo a sus pacientes saludables y evitando hospitalizaciones innecesarias. Sin embargo, para que esta estructura financiera funcione como se pretende, debe haber un modelo de Ajuste de Riesgo (AR) para cambiar el reembolso proporcional al riesgo de un beneficiario; de lo contrario, las ACO pueden inscribir solo a pacientes sanos, es decir, selección adversa. Si bien la mayoría de las ACO adoptan modelos de AR por este motivo, la metodología original de AR se ha mantenido prácticamente igual durante las últimas décadas. Como resultado, algunos participantes de las ACO han encontrado formas de “engañar” al sistema: recibir pagos desproporcionados por el riesgo que corren. Para mitigar el despilfarro, el gobierno federal ha añadido varios mecanismos de posajuste, como mezclar el parámetro de referencia ajustado al riesgo con el gasto histórico, ajustar mediante un factor de intensidad de codificación, limitar la tasa de crecimiento de la puntuación de riesgo e incorporar incentivos de equidad sanitaria. Desafortunadamente, esos mecanismos se acumulan unos sobre otros de manera no lineal y discontinua, lo que hace que sus efectos y eficacia reales sean difíciles de desentrañar y evaluar. En este artículo, resumiremos las lecciones que aprendimos de la operación de una de las ACO más exitosas del país para ayudar a reconstruir el modelo de AR basado en un enfoque basado en datos. A continuación, describimos las características de un modelo de AR ideal. Luego, proponemos uno nuevo que aborda dichos requisitos, eliminando la necesidad de un proceso de varios pasos que implica una estadificación no lineal y discontinua. Finalmente, proporcionamos resultados experimentales aplicando este modelo a nuestros datos de las ACO y comparándolos con la implementación actual de AR. Nuestros resultados experimentales muestran que nuestros enfoques basados ​​en datos pueden lograr mejores rendimientos predictivos medidos en R cuadrado, medida de predicción de Cumming y error absoluto medio de predicción.