保険請求データへの控除額の転入 – <>

多くの研究者は、コスト分担が医療の利用、コスト、患者の転帰にどのような影響を与えるかに興味を持っています。 米国では高控除医療保険（HDHP）がより一般的になっているため、これは特に当てはまります。 2023年には、 米国の対象労働者の 29% が HDHP を持っていました。

HDHP の分析に役立つデータの 1 つのタイプは、請求データです。 ただし、これらのデータの使用には次のような課題があります。

最初のタイプ [of claims data] プランの構造に関する詳細な情報が含まれていますが、通常は単一の健康保険会社または加入者の少数のサブセットから情報源が提供されるため、外部性の有効性が乏しいことがよくあります。 2 番目のタイプは、保険会社間でプールすることで外部妥当性を向上させていますが、通常、HDHP と免責金額が低いプランを区別したり、バイナリの「HDHP」変数が何を表すかを解釈したりするために必要なプラン構造変数が含まれていません。

による論文 クリフら。 (2024年) Optum Labs のデータを使用した保険請求データを使用してプランの控除額をどの程度正確に予測できるかを検証することを目的としています。 Optum データには、「ゴールド スタンダード」として使用されるプランの控除額に関する情報が含まれています。 4 つの異なる代入アプローチが使用されます。

• 支出を伴うパラメトリック予測 (支出方法の回帰)。 登録者の年間控除対象支出は、年間合計支出（プランと自己負担額）、一般的な人口動態の共変量（性別と年齢）、各プランの固定効果に基づいて回帰分析されます。回帰を使用して、プランの固定効果を使用して設定された支出レベルの条件付きの控除対象額を予測します。 。 最適回帰モデルの係数を使用して、一定の総支出額で各プランの控除額が予測されます (著者は、ほとんどの控除額を超えるように 10,000 ドルに設定しています)。
• 代入および計画特性を使用したパラメトリック予測 (代入控除方法の回帰)。 このアプローチでは 2 つの段階を使用します。 まず、プランのサブセットに対して免責金額が簡単に識別できるように入力されます。 第 2 段階では、観測された控除対象支出と計画の特性を記述した共変量のセットが作成され、個人から計画レベルまでデータが折りたたまれます。 帰属控除額を含むプランのサブセットを使用して、帰属控除額が一連の共変量で回帰分析されます。 生成された係数は、最初の段階で代入できないプランの控除額を予測するために使用されます。
• モード別控除対象支出（モード法）。 この簡単な方法では、プランの加入者の中で最も高い (ゼロではない) 交通費控除対象支出金額を入力し、この免責金額をそのプランのすべての加入者に適用します。
• 控除対象支出の 80 パーセンタイル (80 パーセンタイル法)。 続く ラビドー (2021)、個人の支出は前月比で追跡され、特定の月に支出が増加しても控除額に変化がない個人は、控除額に達したものとみなされます。 次に、個人レベルのデータがプラン レベルに折りたたまれ、プランのすべての加入者の控除額が、プランの年間控除対象支出の 80 パーセンタイルに設定されます。

補完アプローチの精度を評価するために、著者らは、登録者を HDHP プランと非 HDHP プランに分類するための各方法の感度、特異度、陽性/陰性的中率 (PPV/NPV) を計算しました。

驚くべきことに、個人を HDHP とそうでないものに分類するという点では、単純な「モード法」が最も優れたパフォーマンスを示しました。 控除可能な支出の予測という点でも優れたパフォーマンスを発揮しました。

モード方式のパフォーマンスが最も優れています。 プランの 72% が各カテゴリに正しく分類されており、プランの 69% では、実際の免責金額から 250 ドル以内の帰属免責金額が設定されています。 この方法では、登録者が 50 人を超えるグループへの帰属を制限することで、カテゴリー別に正しく分類されたプランの 85% に対する感度が向上し、帰属控除額と実際の控除額の平均差額が 700 ドルから 496 ドルに減少しました。

論文全文を読むことができます ここ。