Die Motivation für diese Arbeit entstand vor dem Hintergrund des Vorhabens einer
großen gesetzlichen Krankenkasse, aufbauend auf der Analyse ihrer
Versichertenbestandsrisiken ein Risikomanagement zu implementieren. Ziel der
Krankenkasse ist es, mittels einer (morbiditätsorientierten) Klassifizierung des
Versichertenbestandes durch zuverlässige Prognosemodelle den erwarteten aktuellen und zukünftigen Ressourceneinsatz planbar zu machen und so zu einer Erhöhung der Wirtschaftlichkeit und der Qualität der Gesundheitsversorgung zu gelangen.1 Darüber hinaus soll die „strategische Analyse- und Prognosefähigkeit“2 der Kasse ausgebaut werden, indem z. B. Prognosen über risikobehaftete Entwicklungen im Versichertenbestand abgeleitet werden.3 Die Krankenkasse entgegnet somit dem wachsenden Wettbewerbsdruck und der zunehmenden Dynamik im Umfeld der gesetzlichen Krankenversicherung, u. a. in Folge kassenartenübergreifenden Fusionen und der für 2009 geplanten Einführung des morbiditätsorientierten Risikostrukturausgleichs (Morbi-RSA).
Die Suche nach etablierten Ansätzen zur Prognose des versichertenbezogenen
Ressourcenbedarfes im Vorfeld dieser Arbeit führte zu der Erkenntnis, dass in den USA seit längerem Ansätze bestehen, in denen aufbauend auf der Morbidität als erklärende Variable der zukünftige Ressourcenbedarf versichertenbezogen prognostiziert wird. Die dazu notwendigen Methoden entstammen einer Disziplin, die als „Predictive Modeling“4 bezeichnet wird. Zentrale Fragestellungen des Predictive Modeling - Ansatzes sind u. a.:
- Wie entwickeln sich die Leistungsausgaben für eine bestimmte Altersgruppe?
- Wer sind die zukünftigen Hochkosten-Versicherten und welche Merkmale
kennzeichnen diese Versicherten?
Inhaltsverzeichnis
1 Einleitung
1.1 Problemstellung und Zielsetzung
1.2 Gang der Untersuchung
2 Begriffsbestimmungen und Grundlagen
2.1 Leistungsrisiken
2.1.1 Definition
2.1.2 Struktur der Leistungsausgaben
2.1.3 Steuerungsmöglichkeiten
2.2 Predictive Modeling
2.2.1 Definition
2.2.2 Abgrenzung zu Prior-Expense-Analysen
2.2.3 Einsatzmöglichkeiten zum Management der Leistungsrisiken
3 Theoretische Ausgestaltung von Predictive Models
3.1 Modellierungsansätze
3.2 Risk Grouper basierte Modelle
3.2.1 Grundlegende Konzeption
3.2.2 Datenbasis
3.2.2.1 Morbiditätsindikatoren
3.2.2.2 Codierungen
3.2.3 Risiko- und Ausgabenschätzung
3.2.3.1 Zellenansatz
3.2.3.2 Zuschlagsansatz
3.2.3.3 Vergleich der Ansätze
3.2.4 Zeitgleiche und prospektive Anwendung
3.2.5 Modelloutput
3.2.6 Kritische Würdigung
4 Vergleich bestehender Predictive Modeling Systeme
4.1 Vergleichskriterien
4.2 Übersicht ausgewählter Systeme
4.2.1 ACG Case-Mix System
4.2.2 IHCIS Impact Pro
4.2.3 DxCG Risk Smart Global
4.3 Empirische Testergebnisse
4.3.1 Maße zur Schätzgenauigkeit
4.3.2 SOA Risk Adjuster Study
4.3.3 IGES/Lauterbach/Wasem-Studie
4.4 Anpassungsmöglichkeit an GKV-Strukturen
4.5 Kritische Würdigung und Systemauswahl
5 Implementierung eines Risk Grouper basierten Predictive Models
5.1 Vorgehensmodell
5.1.1 Ableitung eines Vorgehensmodells
5.1.2 Implementierungsphasen
5.2 Kritische Erfolgsfaktoren bei der Implementierung
5.2.1 Risiko-Framework
5.2.2 Systemauswahl
5.2.3 Datenqualität
5.2.4 Klassifikation und Kostengewichte
5.2.5 Risikomanagement-Prozess
5.2.6 Risiko-Berichtswesen
6 Schluss
6.1 Fazit
6.2 Ausblick
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, das Potenzial von Predictive Modeling für das Management von Leistungsrisiken in gesetzlichen Krankenkassen zu untersuchen. Im Zentrum steht die Forschungsfrage, wie durch zuverlässige Prognosemodelle eine morbiditätsorientierte Klassifizierung des Versichertenbestandes erreicht werden kann, um den Ressourceneinsatz planbar zu machen und auf die Anforderungen durch den morbiditätsorientierten Risikostrukturausgleich (Morbi-RSA) zu reagieren.
- Grundlagen und Definition von Leistungsrisiken und Predictive Modeling
- Methodische Ansätze für prädiktive Analysen im Gesundheitswesen
- Vergleich marktgängiger Predictive-Modeling-Systeme und deren Anpassungsbedarf an deutsche GKV-Strukturen
- Implementierungsprozesse und kritische Erfolgsfaktoren bei der Einführung solcher Systeme in Krankenkassen
Auszug aus dem Buch
2.2.2 Abgrenzung zu Prior-Expense-Analysen
Predictive Modeling löst sich von dem Ansatz sog. Prior-Expense Modelle, welche zukünftige Ausgaben eines Versicherten allein durch die Analyse der Ausgaben eines früheren Jahres ableiten. Ziel von Predictive Modeling ist es vielmehr, unter Verwendung von Morbiditätsdaten wie Diagnosen oder Arzneimittelverordnungen, Versicherte hinsichtlich ihres Risikos einzuschätzen und davon ausgehend die zukünftigen Ausgaben eines Versicherten abzuleiten. Damit sollen im Unterschied zu Prior-Expense - Analysen auch jene Versicherte erkannt werden, welche in der Vergangenheit keine hohen Ausgaben verursacht haben, jedoch zukünftig hohe Ausgaben verursachen könnten.
Ein weiterer Nachteil einer vergangenheitsbezogenen, kostenzentrierten Betrachtung im Sinne der Prior-Expense Modelle ist, dass Versicherte, die in der Vergangenheit hohe Ausgaben verursacht haben, in eine Phase überwechseln, in welcher sie nur noch geringe Ausgaben verursachen werden. Diese Entwicklung wird oftmals vor dem Hintergrund des statistischen Phänomens der Regression zum Mittelwert umschrieben. Die hohen Ausgaben im ersten Jahr tendieren im nachfolgenden Jahr in Richtung des Mittelwertes, da das akute Stadium der Krankheit, bspw. in Form eines Krankenhausaufenthaltes, bereits durchlaufen wurde. Predictive Models durchbrechen dieses Problem, indem sie auf Ebene der Morbiditätsindikatoren entscheiden, ob bspw. eine Diagnose, die in der Basisperiode gestellt wurde, mit nennenswerten Ausgaben in der Folgeperiode einhergehen wird.
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung beleuchtet die Motivation einer gesetzlichen Krankenkasse, ein Risikomanagement mittels Predictive Modeling aufzubauen, und definiert die leitenden Forschungsfragen.
2 Begriffsbestimmungen und Grundlagen: In diesem Kapitel werden die Kernbegriffe Leistungsrisiken und Predictive Modeling theoretisch fundiert sowie deren Zusammenspiel im Managementkontext erläutert.
3 Theoretische Ausgestaltung von Predictive Models: Es werden verschiedene Modellierungsansätze, insbesondere regelbasierte Modelle, Risk-Grouper-basierte Systeme und Verfahren der künstlichen Intelligenz, detailliert beschrieben und vergleichend bewertet.
4 Vergleich bestehender Predictive Modeling Systeme: Das Kapitel bietet einen systematischen Vergleich kommerzieller Predictive-Modeling-Systeme (ACG, IHCIS, DxCG) anhand von Schätzgüte und Anpassungsbedarf an die GKV-Strukturen.
5 Implementierung eines Risk Grouper basierten Predictive Models: Hier wird ein Vorgehensmodell für die Implementierung in Krankenkassen hergeleitet und kritische Erfolgsfaktoren wie Risiko-Framework, Datenqualität und Berichtswesen werden analysiert.
6 Schluss: Das Schlusskapitel fasst die Ergebnisse der Untersuchung zusammen und gibt einen Ausblick auf die zukünftige Entwicklung kombinierter Modellierungsmethoden.
Schlüsselwörter
Predictive Modeling, Leistungsrisiken, Krankenkasse, Risikomanagement, Risikostrukturausgleich, Morbi-RSA, Risk Grouper, Morbidität, Prognosemodelle, Kostenschätzung, Disease-Management, Case-Management, Datenqualität, GKV, Gesundheitsökonomie.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht, wie deutsche gesetzliche Krankenkassen mittels Predictive-Modeling-Systemen ihre Versichertenbestandsrisiken aktiv steuern und prognostizieren können.
Was sind die zentralen Themenfelder der Analyse?
Zentral sind die methodische Vorgehensweise bei der Risikoanalyse, der Vergleich verschiedener internationaler Softwaresysteme und die organisatorischen Anforderungen an eine Implementierung in einer Krankenkasse.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es, Entscheidungsträgern in Krankenkassen fundierte Antworten zu geben, wie sie Predictive Modeling zur Identifikation von Hochkostenpatienten und zur Verbesserung der Versorgungseffizienz nutzen können.
Welche wissenschaftlichen Methoden werden verwendet?
Die Arbeit basiert auf einer Literaturanalyse sowie der kritischen Auswertung empirischer Studien zur Schätzgüte von Risikomodellen (z.B. SOA-Studie und IGES/Lauterbach/Wasem-Studie).
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Ausgestaltung von Predictive Models, den Vergleich bestehender kommerzieller Systeme sowie die Ableitung eines praktischen Implementierungs-Vorgehensmodells.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die zentralen Aspekte sind Predictive Modeling, Risikomanagement, Morbi-RSA, Risk Grouper und die Verbesserung der Prognosegenauigkeit bei der Leistungsausgaben-Steuerung.
Wie unterscheidet sich Predictive Modeling von klassischen Prior-Expense-Analysen?
Predictive Modeling nutzt Morbiditätsdaten (wie Diagnosen) anstelle bloßer vergangener Kosten, um auch Versicherte mit zukünftig hohem Risiko frühzeitig zu identifizieren, selbst wenn diese in der Vergangenheit noch keine extrem hohen Ausgaben verursacht haben.
Warum spielt der Morbi-RSA eine wichtige Rolle für die Untersuchung?
Die geplante Einführung des morbiditätsorientierten Risikostrukturausgleichs macht es für Krankenkassen zwingend erforderlich, die Morbidität ihres Versichertenbestandes präzise zu erfassen, was die Notwendigkeit für Predictive Modeling verstärkt.
Welche Rolle spielt die Datenqualität bei der Implementierung?
Eine hohe Datenqualität ist entscheidend, da unvollständige oder fehlerhafte Diagnosedaten die Zuverlässigkeit der Prognosen drastisch senken und somit das Risikomanagement gefährden.
Warum ist das Risiko-Berichtswesen für Krankenkassen wichtig?
Es dient dazu, die mittels Predictive Modeling gewonnenen Daten verständlich an die Geschäftsführung zu vermitteln, damit diese rechtzeitig steuernde Maßnahmen einleiten kann.
- Citar trabajo
- Dipl. Oek. Jos Töller (Autor), 2007, Management von Leistungsrisiken einer Krankenkasse mit Predictive Modeling, Múnich, GRIN Verlag, https://www.grin.com/document/114638
