Arrow in memoriam

K. J. Arrow passed away this Wednesday. He is one of the giants of economics and the founder of health economics. It is difficult to summarise his works in few words. You'll find obituaries in the Post and NYT. Josep M. Colomer has written an interesting post in his blog (social choice perspective). Tony Culyer has published also his obituary (health economics perspective)

An interview in a recent book reviews his works and opinions. Regarding healt economics, he says:

I was asked to study, as a theoretical economist, health care. This was a paper that I regard very highly, one of the best things I ever did. I think I mentioned that in fact, afair amount of my research is the result of people asking me these kinds of questions. I studied Social Choice because somebody asked me a question. A now retired professor, Victor Fuchs, was then at the Ford Foundation, and they wanted to get studies done of social problems. They wanted studies of welfare—in the ordinary sense of the word—of medical care and of education. For each of these areas, they wanted one study by somebody who had worked in the field and one by a theorist, and I’m a theorist who had not necessarily worked with people.

In my case, I was asked to work on medical care. I read up on the literature, and gradually a pattern emerged that essentially the parties know different things. The physician knows a lot that the patient doesn’t, and therefore the patient can’t check on the quality of medical care in the same way we buy a loaf of bread. It’s not like I’ll buy that loaf again. But with medical care, you can’t be sure because you don’t know that much. It’s the same thing between the insurer and the physician or the patient. So I said that with medical care, noneconomic factors, essentially ethical codes, play a role in keeping the system together. But I didn’t have a theory at the time, I just had a statement. It was pretty clear to me that non-economic factors do play a major role. What is considered good practice, that’s what keeps the system going. The trouble is that I’ve seen the limits of economic analysis. I could see one solution, but it was very different from market kinds of solutions. But I did have a theory about it.

When I look at other people, they don’t have theories either, or they have rather vague theories. When I try to impart this to students, of course it’s a very confusing message. That’s one of the reasons I don’t think I’ve been a great teacher. I’ve perhaps had students who did appreciate what I was doing, although they tended to pick up the more technical parts of it. I’m a little disappointed they haven’t tried to tackle the broader picture. If they’re working with it, they’ve done very fine work, going well beyond what I did. So I’d say that would be a rather lengthy answer to your question. I see myself primarily as a scholar, as a thinker about things, trying to enlist others in this thinking. Yes, I think I would say that more so than others.

PS. Arrow in my posts

El disseny de sistemes de pagament

 A Framework for the Design of Risk-Adjustment Models in Health Care Provider Payment Systems

A partir d'avui aquest blog es trasllada a Substack. Durant unes setmanes serà accessible simultàniament per blogger i per substack. Anoteu l'adreça: econsalut.substack.com

Article resumit amb IA.

Aquest article presenta un marc conceptual integral per al disseny de models d'ajust de risc (RA) en el context de models de pagament prospectiu a proveïdors d'assistència sanitària. L'objectiu és desenvolupar un marc que expliciti les opcions de disseny i les compensacions associades per tal de personalitzar el disseny de l'RA als sistemes de pagament a proveïdors, tenint en compte els objectius i les característiques del context d'interès.

Introducció (1-3): Durant les últimes dècades, els reguladors i els responsables polítics de la salut han fet esforços per millorar l'eficiència de la prestació d'assistència sanitària mitjançant la reforma dels sistemes de pagament a proveïdors. Específicament, l'eficiència s'ha perseguit mitjançant la introducció d'elements prospectius en els models de pagament, donant lloc a diversos Models de Pagament Alternatius (MPA) com els acords de qualitat alternatius i els pagaments agrupats. Aquests MPA tenen com a objectiu incentivar l'eficiència traslladant (part de) la responsabilitat financera dels pagadors als proveïdors. Una característica típica dels pagaments prospectius a proveïdors és que es basen en un "nivell de despesa normatiu" per a la prestació d'un conjunt predefinit de serveis a una determinada població de pacients. El nivell de despesa normatiu es refereix al nivell de despesa que "hauria de ser" depenent de la població de pacients d'un proveïdor, en lloc de la despesa observada. Un element clau en la determinació dels nivells de despesa normatius és la correcció de les diferències sistemàtiques en les necessitats d'assistència sanitària de les poblacions de pacients dels proveïdors, comunament coneguda com a ajust de risc (RA). L'RA és crucial per garantir un terreny de joc igualitari per als proveïdors i per evitar incentius per a comportaments no desitjats, com la selecció de riscos.

Nova Contribució (8-10): Tot i les contribucions conceptuals existents sobre el disseny de l'RA, actualment no hi ha un marc integral per adaptar el disseny de l'RA al pagament de proveïdors i a les característiques essencials del context. Aquest article desenvolupa aquest marc sintetitzant, ampliant i aplicant coneixements de la literatura existent. La metodologia va incloure una revisió de la literatura combinada amb consultes a experts en el camp de l'RA i els sistemes de pagament. La informació recopilada es va sintetitzar per desenvolupar el marc, del qual van sorgir tres criteris per al disseny de models d'RA i es van agrupar les opcions i les compensacions en dues dimensions principals: (a) la tria dels ajustadors de risc i (b) la tria de les ponderacions de pagament.

Definicions de Conceptes Clau (11-13): Els models de pagament prospectiu i els MPA traslladen la responsabilitat financera dels pagadors als proveïdors per tal d'incentivar el control de costos i l'eficiència. Qualsevol trasllat de responsabilitat financera requereix que el pagador determini el nivell de despesa normatiu, que reflecteix el nivell de despesa apropiat donades les necessitats d'assistència sanitària d'una població i els objectius dels MPA. El nivell de despesa normatiu no fa referència necessàriament al nivell de despesa absolut o òptim, sinó al nivell considerat apropiat donat el nivell/objectius d'eficiència perseguits pel MPA.

Fonts de Variació de la Despesa i el Paper de l'RA i la Mancomunació de Riscos (14-19): Quan s'estableixen nivells de despesa normatius, és important considerar tres fonts de variació de la despesa: (a) variació sistemàtica impulsada per factors fora del control dels proveïdors (variables C o "factors de compensació"), (b) variació sistemàtica impulsada per factors que els proveïdors poden influir (variables R o "factors de responsabilitat"), i (c) variació aleatòria. Per evitar que els proveïdors assumeixin riscos excessius que no poden influir, els MPA solen aplicar alguna forma de mancomunació de riscos. L'RA prospectiu s'utilitza per compensar la variació de la despesa deguda a les variables C. La naturalesa i el grau en què s'ha de compensar la variació de la despesa resultant de les variables C forma el punt de partida d'un model d'RA.

Tres Criteris per al Disseny de Models d'RA (19-26): L'objectiu general de l'RA en els MPA és compensar els proveïdors per la variació de la despesa deguda a les variables C, alhora que els manté responsables de la variació de la despesa deguda a les variables R. Això implica dos criteris clau: (a) compensació adequada per a les variables C i (b) cap compensació per a les variables R. Un tercer criteri important és la viabilitat.

• Criteri 1: Compensació Adequada per a les Variables C (20-26): Per evitar problemes de selecció, l'RA hauria de compensar adequadament les variables C que són rellevants a la llum de les possibles accions de selecció de riscos per part dels proveïdors (atraure/dissuadir pacients sans/no sans). També hauria de compensar les variables C que varien entre les poblacions de proveïdors per evitar la participació selectiva en el MPA.
• Criteri 2: Cap Compensació per a les Variables R (26-29): Per evitar ineficiències, l'RA no hauria de compensar les variables R. La compensació per la variació de la despesa de les variables R pot donar lloc a problemes d'eficiència, com la perpetuació de les ineficiències existents ("biaix d'status quo") i la creació d'incentius per a noves ineficiències (reducció dels incentius per al control de volum i preu, codificació ascendent).
• Criteri 3: Viabilitat (29-30): Un tercer criteri crucial és la viabilitat, que inclou la disponibilitat de dades i l'acceptació per part de totes les parts interessades (pacients, proveïdors, pagadors, reguladors).

Un Marc per al Disseny de Models d'RA (30-31): Aquest marc distingeix entre preguntes de disseny, opcions associades i consideracions i compensacions clau pel que fa a (a) la tria dels ajustadors de risc i (b) la tria de les ponderacions de pagament.

La Tria dels Ajustadors de Risc (31-47): Aquesta secció aborda tres preguntes principals de disseny:

• Quin tipus d'informació es basa els ajustadors de risc? (32-38): Les opcions inclouen informació demogràfica, socioeconòmica, subjectiva (de salut), diagnòstica, d'utilització, clínica, de despesa (retardada) i del costat de l'oferta. L'ús d'informació endògena (diagnòstics, utilització, despesa) és altament predictiu de la despesa de tipus C, però pot perpetuar ineficiències i introduir nous incentius perversos per al volum i el preu. L'ús d'informació exògena (demogràfica, socioeconòmica) no manté ni introdueix incentius perversos relacionats amb el volum o el preu, però el seu poder predictiu és generalment baix.
• A quin període de temps (període base) pertany la informació? (38-45): Es pot distingir entre ajustadors concurrrents i prospectius. Els efectes d'incentiu relatius d'aquestes opcions no estan clars a priori.
• Com dissenyar els ajustadors de risc? (46-47): Això inclou l'especificació de l'escala de mesura, l'operacionalització dels ajustadors (considerant condicions, jerarquies, restriccions) i les interaccions entre ajustadors.

La Tria de les Ponderacions de Pagament (48-60): Per trobar ponderacions de pagament apropiades, els responsables de la presa de decisions s'enfronten a tres decisions principals de disseny:

• Quina mostra d'estimació? (49-52): Es requereix una mostra d'estimació representativa de la població d'interès i dels nivells de despesa normatius. En la pràctica, sovint s'utilitzen dades històriques i poblacions de pacients similars.
• Quines intervencions de dades? (52-58): Quan la mostra d'estimació no és representativa, s'han de considerar intervencions de dades sobre la població de pacients i/o les dades de despesa per millorar la coincidència amb la població d'interès i el nivell de despesa normatiu. Això pot incloure correccions per biaixos i inequitats.
• Com derivar les ponderacions de pagament? (59-60): Això implica decidir quins ajustadors de risc incloure (considerant el biaix de la variable omesa) i quin criteri d'optimització utilitzar per estimar aquestes ponderacions. Les opcions van des de criteris d'optimització estàndard (OLS, GLM) fins a criteris personalitzats (regressió restringida, aprenentatge automàtic).

La Interconnexió Entre les Opcions de Disseny per als Ajustadors de Risc i les Ponderacions de Pagament (61-62): Les decisions de disseny dins i entre aquests dos temes estan altament interrelacionades. Per exemple, la tria de la informació en què es basen els ajustadors de risc afectarà la seva especificació i operacionalització. De la mateixa manera, les decisions sobre com es deriven les ponderacions de pagament depenen tant de la tria dels ajustadors de risc com de la tria de la mostra d'estimació (modificada).

Discussió (63-68): No hi ha un enfocament únic per al disseny de models d'RA, i el disseny adequat pot variar segons la configuració i les evolucions al llarg del temps. És crucial la decisió normativa sobre quines variables es consideren C i quines R. L'abast de la preocupació pels possibles incentius de selecció i control de costos pot variar segons el context. Les consideracions de viabilitat, com la disponibilitat de dades i l'acceptació de les parts interessades, també són importants.

Consideracions Més Amplies per al Disseny de l'RA en el Finançament de l'Assistència Sanitària (69-70): Tot i que aquest article se centra en el pagament a proveïdors, el marc proposat també podria beneficiar altres reformes de finançament, com les iniciatives de participació del consumidor, tot i que es necessita més recerca.

Conclusió (71): El disseny de models d'RA per a sistemes de pagament prospectiu a proveïdors és un exercici complex que requereix una consideració explícita de moltes preguntes, opcions i compensacions difícils. El procés de disseny ha de guiar-se per tres criteris clau: compensació adequada de les variables C, cap compensació de les variables R i viabilitat. Les diverses preguntes i opcions de disseny es poden classificar en la tria dels ajustadors de risc i la tria de les ponderacions de pagament. Es necessita més recerca per donar suport a les decisions normatives sobre les variables C i R, així com per desenvolupar mètriques d'avaluació integrals per a la valoració dels efectes dels incentius.

Referències

A continuació es mostren les referències citades en les fonts:

• Adams Dudley, R., Medlin, C. A., Hammann, L. B., Cisternas, M. G., Brand, R., Rennie, D. J., & Luft, H. S. (2003). The best of both worlds? Potential of hybrid prospective/concurrent risk adjustment. Medical Care, 41(1), 56–69.
• American Medical Association. (2019). Improving Risk adjustment in alternative payment models.
• Andersen, R., & Newman, J. F. (2005). Societal and individual determinants of medical care utilization in the United States. The Milbank Memorial Fund Quarterly. Health and Society, 83(4), 1468-0009.2005.00428.x.
• Anderson, G. F., & Weller, W. E. (1999). Methods of reducing the financial risk of physicians under capitation. Archives of Family Medicine, 8(2), 149–155.
• Anthun, K. S. (2021). Predicting diagnostic coding in hospitals: Individual level effects of price incentives. International Journal of Health Economics and Management, 22(2), 129–146.
• Arrow, K. J. (2004). Uncertainty and the welfare economics of medical care. Bulletin of the World Health Organization, 82(2), 141–149.
• Ash, A. S., & Ellis, R. P. (2012). Risk-adjusted payment and per-formance assessment for primary care. Medical Care, 50(8), 643–653.
• Ash, A. S., Mick, E. O., Ellis, R. P., Kiefe, C. I., Allison, J. J., & Clark, M. A. (2017). Social determinants of health in managed care payment formulas. JAMA Internal Medicine, 177(10), 1424–1430.
• Bäuml, M. (2021). How do hospitals respond to cross price incen-tives inherent in diagnosis-related groups systems? The impor-tance of substitution in the market for sepsis conditions. Health Economics, 30(4), 711–728.
• Bergquist, S. L., Layton, T. J., McGuire, T. G., & Rose, S., & National Bureau of Economic Research. (2018). Intervening on the data to improve the performance of health plan pay-ment methods (Ser. NBER working paper series, no. w24491). National Bureau of Economic Research.
• Brown, J., Duggan, M., Kuziemko, I., & Woolston, W. (2014). How does risk selection respond to risk adjustment? New evi-dence from the Medicare Advantage Program. The American Economic Review, 104(10), 3335–3364.
• Buchner, F., Wasem, J., & Schillo, S. (2017). Regression trees iden-tify relevant interactions: Can this improve the predictive per-formance of risk adjustment? Health Economics, 26(1), 74–85.
• Cattel, D., Eijkenaar, F., & Schut, F. T. (2020). Value-based pro-vider payment: Towards a theoretically preferred design. Health Economics, Policy and Law, 15(1), 94–112.
• Chang, H.-Y., Lee, W.-C., & Weiner, J. P. (2010). Comparison of alternative risk adjustment measures for predictive modeling: High risk patient case finding using Taiwan’s national health insurance claims. BMC Health Services Research, 10, 343– 343. https://doi.org/10.1186/1472-6963-10-343.
• Chernew, M. E., Mechanic, R. E., Landon, B. E., & Safran, D. G. (2011). Private-payer innovation in Massachusetts: The “alter-native quality contract.” Health Affairs, 30(1), 51–61.
• Chien, A. T., Newhouse, J. P., Iezzoni, L. I., Petty, C. R., Normand, S.-L. T., & Schuster, M. A. (2017). Socioeconomic background and commercial health plan spending. Pediatrics, 140(5).
• Constantinou, P., Tuppin, P., Gastaldi-Ménager, C., & Pelletier-Fleury, N. (2022). Defining a risk-adjustment formula for the introduction of population-based payments for primary care in France. Health Policy, 126(9), 915–924.
• Dafny, L. S. (2005). How do hospitals respond to price changes? The American Economic Review, 95(5), 1525–1547.
• Douven, R., McGuire, T. G., & McWilliams, J. M. (2015). Avoiding unintended incentives in ACO payment models. Health Affairs, 34(1), 143–149.
• Douven, R., Remmerswaal, M., & Mosca, I. (2015). Unintended effects of reimbursement schedules in mental health care. Journal of Health Economics, 42, 139–150.
• Dowd, B. E., Huang, T-y, & McDonald, T. (2021). Tiered cost-sharing for primary care gatekeeper clinics. American
• Duan, N., Manning, W. G., Morris, C. N., & Newhouse, J. P. (1983). A comparison of alternative models for the demand for medical care. Journal of Business & Economic Statistics, 1(2), 115–126.
• Durfey, S. N. M., Kind, A. J. H., Gutman, R., Monteiro, K., Buckingham, W. R., DuGoff, E. H., & Trivedi, A. N. (2018). Impact of risk adjustment for socioeconomic status on Medicare advantage plan quality rankings. Health Affairs, 37(7), 1065–1072.
• Eijkenaar, F., van Vliet, R. C. J. A., & van Kleef, R. C. (2018). Diagnosis-based cost groups in the Dutch risk-equalization model: Effects of clustering diagnoses and of allowing patients to be classified into multiple risk-classes. Medical Care, 56(1), 91–96.
• Einav, L., Finkelstein, A., Ji, Y., & Mahoney, N. (2022). Voluntary regulation: Evidence from Medicare payment reform. The Quarterly Journal of Economics, 137(1), 565–618.
• Ellis, R. P. (1998). Creaming, skimping and dumping: Provider competition on the intensive and extensive margins. Journal of Health Economics, 17(5), 537–555.
• Ellis, R. P., Martins, B., & Rose, S. (2018). Risk adjustment for health plan payment. In T. G. McGuire & R. C. van Kleef (Eds.), Risk adjustment, risk sharing and premium regu-lation in health insurance markets: Theory and practice (pp. 55–104). Elsevier.
• Epstein, A. M., & Cumella, E. J. (1988). Capitation payment: Using predictors of medical utilization to adjust rates. Health Care Financing Review, 10(1), 51–69.
• García-Goñi, M., Ibern, P., & Inoriza, J. M. (2009). Hybrid risk adjustment for pharmaceutical benefits. The European Journal of Health Economics, 10(3), 299–308.
• Geruso, M., & Layton, T. (2020). Upcoding: Evidence from Medicare on squishy risk adjustment. Journal of Political Economy, 128(3), 984–1026.
• Geruso, M., & McGuire, T. G. (2016). Tradeoffs in the design of health plan payment systems: Fit, power and balance. Journal of Health Economics, 47, 1–19.
• Gilmer, T., Kronick, R., Fishman, P., & Ganiats, T. G. (2001). The Medicaid Rx model: Pharmacy-based risk adjustment for pub-lic programs. Medical Care, 39(11), 1188–1202.
• Glazer, J., & McGuire, T. G. (2002). Setting health plan premiums to ensure efficient quality in health care: Minimum variance optimal risk adjustment. Journal of Public Economics, 84(2), 153–173.
• Gravelle, H., Sutton, M., Morris, S., Windmeijer, F., Leyland, A., Dibben, C., & Muirhead, M. (2003). Modelling supply and demand influences on the use of health care: Implications for deriving a needs-based capitation formula. Health Economics, 12(12), 985–1004.
• Hayen, A. P., van den Berg, M. J., Meijboom, B. R., Struijs, J. N., & Westert, G. P. (2015). Incorporating shared savings pro-grams into primary care: From theory to practice. BMC Health Services Research, 15, Article 580.
• Heckman, J. J., & Honoré, B. E. (1990). The empirical content of the Roy model. Econometrica, 58(5), 1121–1149.
• Hildebrandt, H., Hermann, C., Knittel, R., Richter-Reichhelm, M., Siegel, A., & Witzenrath, W. S. (2010). Gesundes Kinzigtal Integrated Care: Improving population health by a shared health
• Hollenbeak, C. S. (2005). Functional form and risk adjustment of hospital costs: Bayesian analysis of a Box-Cox random coef-ficients model. Statistics in Medicine, 24(19), 3005–3018. https://doi.org/10.1002/sim.2172.
• Horn, S. D., Horn, R. A., & Sharkey, P. D. (1984). The severity of illness index as a severity adjustment to diagnosis-related groups. Health Care Financing Review, 1984, 33–45.
• Hughes, J. S., Averill, R. F., Eisenhandler, J., Goldfield, N. I., Muldoon, J., Neff, J. M., & Gay, J. C. (2004). Clinical risk groups (CRGs): A classification system for risk-adjusted capitation- based payment and health care management. Medical Care, 42(1), 81–90.
• Humbyrd, C. J., Hutzler, L., & DeCamp, M. (2019). The ethics of success in bundled payments: Respect, beneficence, and social justice concerns. American Journal of Medical Quality, 34(2), 202–204.
• Jha, A. (2014) The Health Care Blog. https://thehealthcareblog. com/blog/2014/09/29/changing-my-mind-on-ses-adjustment/
• Iezzoni, L. I. (2012). Risk adjustment for measuring health care outcomes (3rd ed.). Health Administration Press.
• Iommi, M., Bergquist, S., Fiorentini, G., & Paolucci, F. (2022). Comparing risk adjustment estimation methods under data availability constraints. Health Economics, 31(7), 1368–1380.
• Isaksson, D., Blomqvist, P., Pingel, R., & Winblad, U. (2018). Risk selection in primary care: A cross-sectional fixed effect analysis of Swedish individual data. BMJ Open, 8(10), Article e020402.
• Jones, A. (2010). Models for health care [Working papers]. HEDG, c/o Department of Economics, University of York, Health, Econometrics and Data Group (HEDG).
• Kapur, K., Tseng, C. W., Rastegar, A., Carter, G. M., & Keeler, E. (2003). Medicare calibration of the clinically detailed risk information system for cost. Health Care Financing Review, 25(1), 37–54.
• Lamers, L. M. (1998). Risk-adjusted capitation payments: Developing a diagnostic cost groups classification for the Dutch situation. Health Policy, 45(1), 15–32.
• Lamers, L. M. (1999). Pharmacy costs groups. Medical Care, 37(8), 824–830.
• Lamers, L. M., & van Vliet, R. C. J. A. (2003). Health-based risk adjustment; Improving the pharmacy-based cost group model to reduce gaming possibilities. European Journal of Health Economics, 4(2), 107–114.
• Layton, T. J., McGuire, T. G., & van Kleef, R. C. (2018). Deriving risk adjustment payment weights to maximize efficiency of health insurance markets. Journal of Health Economics, 61, 93–110.
• Lemke, K. W., Pham, K., Ravert, D. M., & Weiner, J. P. (2020). A revised classification algorithm for assessing emergency department visit severity of populations. American Journal of Managed Care, 26(3), 119–125. https://doi.org/10.37765/ ajmc.2020.42636.
• Levy, S., Bagley, N., & Rajkumar, R. (2018). Reform at risk— mandating participation in alternative payment plans. The New England Journal of Medicine, 378(18), 1663–1665.
• Liao, J. M., Pauly, M. V., & Navathe, A. S. (2020). When should Medicare mandate participation in alternative payment mod-els? Health Affairs, 39(2), 305–309.
• Martinussen, P. E., & Hagen, T. P. (2009). Reimbursement sys-tems, organisational forms and patient selection: Evidence from day surgery in Norway. Health Economics, Policy, and Law, 4(Pt. 2), 139–158.
• McGuire, T. G. (2000). Physician agency. In A. J. Culter & J. P. Newhouse (Eds.), Handbook of health economics (1st ed., Vol. Volume 1a, Handbooks in economics, p. 17). Elsevier.
• McGuire, T. G. (2011) Physician agency and payment for primary medical care. In S. Glied & P. C. Smith (Eds), Chapter 9: The Oxford handbook of health economics (online ed., pp. 462– 528). Oxford Academic.
• McWilliams, J. M., Hatfield, L. A., Landon, B. E., Hamed, P., & Chernew, M. E. (2018). Medicare Spending after 3 years of the Medicare shared savings program. The New England Journal of Medicine, 379(12), 1139–1149.
• McWilliams, J. M., Weinreb, G., Ding, L., Ndumele, C. D., & Wallace, J. (2023). Risk adjustment and promoting health equity in population-based payment: Concepts and evidence: Study examines accuracy of risk adjustment and payments in promoting health equity. Health Affairs, 42(1), 105–114.
• Newhouse, J. P. (1994). Patients at risk: Health reform and risk adjustment. Health Affairs, 13(1), 132–146.
• Newhouse, J. P., Price, M., McWilliams, J. M., Hsu, J., & McGuire, T. G. (2015). How much favorable selection is left in Medicare advantage? American Journal of Health Economics, 1(1), 1– 26. https://doi.org/10.1162/ajhe_a_00001.
• Politzer, E. (2024). Utilization thresholds in risk adjustment sys-tems. American Journal of Health Economics, 10(3), 470–503.
• Pope, G. C., Kautter, J., Ellis, R. P., Ash, A. S., Ayanian, J. Z., Lezzoni, L. I., Ingber, M. J., Levy, J. M., & Robst, J. (2004). Risk adjustment of Medicare capitation payments using the CMS-HCC model. Health Care Financing Review, 25(4), 119–141.
• Pope, G. C., Kautter, J., Ingber, M. J., Freeman, S., Sekar, R., & Newhart, C. (2011). Evaluation of the CMS-HCC Risk Adjustment Model [Prepared by RTI]. Centers for Medicare & Medicaid Services, Medicare Plan Payment Group, Division of Risk Adjustment and Payment Policy.
• Porter, M. E., & Kaplan, M. S. (2016). How to pay for health care? Harvard Business Review, 94(7/8), 88–102.
• Robinson, J. C., Whaley, C., Brown, T. T., & Dhruva, S. S. (2020). Physician and patient adjustment to reference pricing for drugs. JAMA Network Open, 3(2), Article e1920544.
• Rose, S. (2016). A machine learning framework for plan payment risk adjustment. Health Services Research, 51(6), 2358–2237.
• Rose, S., Zaslavsky, A. M., & McWilliams, J. M. (2016). Variation in accountable care organization spending and sensitivity to risk adjustment: Implications for benchmarking. Health Affairs, 35(3), 440–448.
• Schokkaert, E., & Van de Voorde, C. (2004). Risk selection and the specification of the conventional risk adjustment formula. Journal of Health Economics, 23, 1237–1259.
• Schokkaert, E., & Van de Voorde, C. (2006). Incentives for risk selection and omitted variables in the risk adjustment formula. Annales d’economie et de Statistique, 83-84, 327–352.
• Struijs, J. N., de Vries, E. F., Baan, C. A., van Gils, P. F., & Rosenthal, M. B. (2020). Bundled-payment models around the world: How they work and what their impact has been [Issue brief]. The Commonwealth Fund.
• van Barneveld, E. M., Lamers, L. M., van Vliet René, C. J. A., & van de Ven, W. P. M. M. (2001). Risk sharing as a supplement to imperfect capitation: A tradeoff between selection and effi-ciency. Journal of Health Economics, 20(2), 147–168.
• van de Ven, W. P. M. M., & Ellis, R. P. (2000). Risk adjustment in competitive health plan markets. In A. J. Collyer & J. P. Newhouse (Eds.), Handbook of health economics (pp. 1003– 1092). Elsevier Science.
• van de Ven, W. P. M. M., & van Vliet, R. C. J. A. (1992). How can we prevent cream skimming in a competitive health insur-ance market? The great challenge for the ‘90’s. In P. Zweifel & H. E. French (Eds.), Health economics worldwide (pp. 23–46). Kluwer Academic Publishers.
• van Kleef, R. C., Eijkenaar, F., van Vliet René, C. J. A., & Nielen, M. M. J. (2020). Exploiting incomplete information in risk adjustment using constrained regression. American Journal of Health Economics, 6(4), 477–497.
• van Kleef, R. C., McGuire, T. G., van Vliet René, C. J. A., & van de Ven, W. P. P. M. (2017). Improving risk equalization with constrained regression. The European Journal of Health Economics: Health Economics in Prevention and Care, 18(9), 1137–1156.
• van Kleef, R. C., & Reuser, M. (2021). How the covid-19 pan-demic can distort risk adjustment of health plan payment. The European Journal of Health Economics, 22(7), 1005–1016.
• van Kleef, R. C., & van Vliet René, C. J. A. (2012). Improving risk equalization using multiple-year high cost as a health indicator. Medical Care, 50(2), 140–144.
• Veen, S. H. C. M., Kleef, R. C., Ven, W. P. M. M., & Vliet, R. C. J. A. (2018). Exploring the predictive power of interaction terms in a sophisticated risk equalization model using regres-sion trees. Health Economics, 27(2), 12.
• Vermaas, A. (2006). Agency, managed care and financial-risk sharing in general medical practice [Dissertation]. Erasmus Universiteit.
• Werbeck, A., Wübker, A., & Ziebarth, N. R. (2021). Cream skim-ming by health care providers and inequality in health care access: Evidence from a randomized field experiment. Journal of Economic Behavior and Organization, 188, 1325–1350.
• Withagen-Koster, A. A., van Kleef, R. C., & Eijkenaar, F. (2020). Incorporating self-reported health measures in risk equaliza-tion through constrained regression. The European Journal of Health Economics, 21(4), 513–528.

How plagues end

Apollo's Arrow. The Profound and Enduring Impact of Coronavirus on the Way We Live

From the book:

After its dramatic initial appearance, SARS-2 will ultimately become endemic; it will regularly circulate among us at some low, steady level. This is connected to the second kind of end, which we have already considered: herd immunity. Here, the pathogen is still around, but it has a much more difficult time reestablishing itself. This resembles a well-vaccinated population for any infectious disease; there are only occasional, small outbreaks among nonimmune people.

By 2022 or so, we will reach this outcome naturally or via vaccination. Of course, if we do rapidly develop and distribute a safe and effective vaccine, we could reach herd immunity with fewer deaths. Based on the fundamental R0 of SARS-2, as we saw in chapter 2, up to an estimated 60 to 67 percent of the population could be affected (or roughly two hundred million people in the United States). The necessary percentage could be lower, closer to 40 to 50 percent, given that social network structure means that different people spread the virus to different extents (as we also saw in chapter 2); or it could be higher, if the epidemic moves extremely fast and we overshoot the level required for herd immunity. Whatever the exact percentage, as a pathogen spreads, some people will die and others will recover and become immune, so eventually the virus will run out of places to go. This is the ordinary, natural way that, biologically speaking, epidemics end.

This is what we mean when we say that a pathogen is under control. But sometimes, plagues are so devastating that a society never recovers. It’s very important to emphasize that, as bad as COVID-19 is, it’s not remotely as bad as epidemics of bubonic plague, cholera, or smallpox that have killed much larger fractions of the population and that have had much larger and longer-lasting effects. Those types of plagues are even associated with the iconography of the Four Horsemen of the Apocalypse, Pestilence riding side by side with War, Famine, and Death. Those epidemics vindicated the adage that “too few of the living were left to bury the dead.”

N. Christakis says at the begining of the book 

The god Apollo, for example, was both a healer and the bringer of disease. During the Trojan War, with his silver bow and quiver of arrows, he rained a plague down on the Greeks to punish them for kidnapping and enslaving Chryseis, the daughter of one of his favored priests.

I found myself thinking again about Apollo and his vengeance as I contemplated our own twenty-first-century barrage more than three thousand years after the events described in The Iliad. It seemed to me that the novel coronavirus was a threat that was both wholly new and deeply ancient. This catastrophe called on us to confront our adversary in a modern way while also relying on wisdom from the past.

Excerpts from the last chapter, How plagues end: 

The pathogens evolve to respond to us, but we, at a slower pace, also evolve to respond to them. Infectious diseases have been a part of our evolutionary history for so long that they have left a mark on our genes. For instance, humans have evolved genetic changes that have proven useful in coping with malaria beginning over one hundred thousand years ago, tuberculosis over nine thousand years ago, cholera and bubonic plague over six thousand years ago, and smallpox over three thousand years ago.36

Infectious pathogens (even if nonepidemic) have arguably been a crucial selective pressure throughout the evolution of our species.37 The primary killers of human beings across evolutionary time are other human beings. Humans do not have any natural predators that substantially affect survival.38 Except for our microscopic enemies.

The SARS-2 virus is a lot less lethal to people of reproductive age and can be combated with the lifesaving tools of modern medicine, so the impact on human evolution is surely going to be minimal. But, at least in theory, another way epidemics end is that hosts evolve to be resistant. And in fact, we may already have naturally occurring genetic variation in our species that affects the severity of COVID-19 in different populations, which would lay the groundwork for such evolution. Over generations, this can result in changes to the genetic makeup of the afflicted populations.

 This social construction of COVID-19 means that the end of the pandemic can also be socially defined. In other words, plagues can end when everyone believes they are over or when everyone is simply willing to tolerate more risk and live in a new way. If everyone willingly risks infection and resumes a semblance of normal life (or, implausibly, if everyone decides to employ physical distancing forever), then the epidemic can be said to have ended, even if the virus is still circulating. We got a glimpse of this phenomenon as well in the summer of 2020 as different states, tired of the lockdowns, acted as if the epidemic were over, even though, biologically speaking, it was not. It was wholly understandable that everyone was eager to leave the epidemic behind as quickly as possible. But the epidemiological reality did not submit to our desires. The pandemic was still claiming roughly a thousand lives per day, although Americans seemed inured to it. Many people, and not just self-interested politicians, seemed to believe the SARS-2 epidemic could end by fiat.

Last paragraph:

 Microbes have shaped our evolutionary trajectory since the origin of our species. Epidemics have done so for many thousands of years. Like the myth of Apollo’s arrows, they have been a part of our story all along. We have outlived them before, using the biological and social tools at our disposal. Life will return to normal. Plagues always end. And, like plagues, hope is an enduring part of the human condition.

A must read. This is my preferred book reference on current pandemic.

 

Figure 16: The mortality impact of COVID-19 in the United States can be quantitatively compared to that of other modern epidemics.

Quatre dècades d'economia de la salut

Four decades of health economics through a bibliometric lens
Qui vulgui saber què ha passat durant els darrers quaranta anys en economia de la salut -fins el 2010- hauria de llegir fins a 33.000 articles, altrament cal fer una ullada al treball de Wagstaff i Culyer que publica el Journal of Health Economics. O també a la llista sencera d'articles més citats. Avui voldria destacar la que es refereix a Medical Insurance. És clar que l'encapçala Arrow amb la seva contribució decisiva al naixement de l'economia de la salut com disciplina. Aquesta és la llista:


Els llistats els han fet des d'Econlit i els mateixos autors alerten que aquí no hi ha tots els articles que s'han publicat. Al final mostren com els autors més citats tenen articles clau en revistes mèdiques. Cal tenir-ho en compte.

En Jay al NIH

 Health Economics

Avui excepcionalment faig referència a un llibre de text de qui han anomenat director del National Instituted of Health. Que un economista de la salut ocupi aquest càrrec és ben inusual, tan inusual com tot el que està passant amb l'administració Trump.

Ha estat un llibre de referència habitual des de fa anys i ho seguirà sent. 

Resumit amb IA.

El llibre "Health Economics" de Jay Bhattacharya, Timothy Hyde i Peter Tu, publicat per Bloomsbury Academic el 2014 , és una introducció exhaustiva al camp de l'economia de la salut. El llibre emfatitza la connexió entre la teoria econòmica i la política sanitària, i abasta tant els models establerts d'assegurança mèdica com les qüestions que afronten diferents països amb models d'atenció mèdica diversos. S'adreça a estudiants d'economia, salut pública i medicina.

El llibre ha rebut elogis de figures destacades en el camp de l'economia. Kenneth J. Arrow el descriu com una introducció molt completa a l'economia de la salut que combina la literatura teòrica important de l'economia amb una explicació dels sistemes reals que distribueixen l'atenció mèdica en les seves diverses dimensions. Alan Garber destaca el seu estil de lectura àgil i amè i la seva capacitat per explicar conceptes sofisticats, abordant la salut i l'atenció mèdica des d'una perspectiva econòmica modern i atractiva. Segons Garber, el llibre té un ampli atractiu i serà gratificant fins i tot per als lectors més ben informats que vulguin entendre els reptes del sistema de salut dels EUA, així com per a qualsevol persona interessada en l'economia aplicada o l'anàlisi de polítiques. Maarten Lindeboom el considera un llibre imprescindible per als cursos d'economia de la salut a tot el món i una recomanació definitiva com a lectura secundària per als cursos sobre l'economia de l'estat del benestar. William Dow el qualifica com un nou llibre de text benvingut que inclou un tractament molt accessible dels temes més importants de l'economia de la salut moderna i prediu que serà un favorit dels estudiants. Finalment, el llibre és descrit com un text excepcionalment ben escrit, ampli en la seva cobertura, refrescantment no tècnic, però alhora erudit i exhaustiu. S'hi destaquen capítols innovadors com l'epidemiologia econòmica i idees reflexives sobre el canvi demogràfic, així com una revisió de nous desenvolupaments en economia de la salut pública i economia del comportament. Fenòmens ben discutits com el risc moral i la selecció adversa es presenten d'una manera molt accessible.

El llibre està estructurat en diverses parts principals:

• DEMANDA DE SALUT I ATENCIÓ MÈDICA: Inclou capítols sobre la demanda d'atenció mèdica, la demanda de salut (el model de Grossman), i les disparitats socioeconòmiques en salut.
• OFERTA D'ATENCIÓ MÈDICA: Conté capítols sobre el mercat laboral dels metges, i la indústria hospitalària.
• ECONOMIA DE LA INFORMACIÓ: Aborda la demanda d'assegurances, la selecció adversa (el mercat de "lemmons" d'Akerlof i el model de Rothschild-Stiglitz), i el risc moral.
• REGULACIÓ DE L'ATENCIÓ MÈDICA: Inclou temes com la propietat intel·lectual i els medicaments, i l'avaluació de tecnologies sanitàries.
• MODELS D'ATENCIÓ MÈDICA A TOT EL MÓN: Examina el model de Beveridge, el model de Bismarck, i el model americà.
• ECONOMIA DE LA SALUT PÚBLICA: Tracta l'economia de les externalitats de la salut, l'epidemiologia econòmica, i l'obesitat.
• ECONOMIA DE LA SALUT DEL COMPORTAMENT: Inclou la teoria de les perspectives i la inconsistència temporal i la salut.

Un dels temes principals del llibre és la idea que la informació és un bé preciós i que la gent (pacients, metges, asseguradors) la utilitza en el seu avantatge quan pot. El llibre també examina les qüestions subjacents al debat polític ferotge sobre l'atenció mèdica a cada país, com si les persones que poden permetre's una millor atenció mèdica són més saludables per rebre més i millor atenció, i què hauria de fer una societat, si cal, en resposta a aquesta possible inequitat.

El llibre inclou diversos recursos pedagògics. Hi ha preguntes de comprensió al final de cada capítol amb respostes disponibles per als estudiants. També s'ofereix una guia de lectura al lloc web complementari, que proporciona una visió general de diversos articles de la literatura rellevants per al contingut de cada capítol, beneficiant els estudiants avançats que vulguin exposar-se al procés de recerca que va fonamentar el llibre de text. Els professors tenen accés a una secció protegida amb contrasenya del lloc web que inclou un conjunt de diapositives de PowerPoint addicional que cobreix amb més detall la reforma sanitària dels EUA del 2010, i un Manual de l'Instructor amb respostes orientatives als problemes analítics i les preguntes d'assaig del llibre. El lloc web per accedir a aquests recursos és www.palgrave.com/economics/bht.

Els autors esperen que tant els professors veterans com els que imparteixen economia de la salut per primera vegada puguin crear ràpidament nous programes per a les seves classes utilitzant aquest llibre. Tot i que potser no hi ha temps per cobrir tot el material en un sol trimestre o semestre, es proposen diversos itineraris diferents a través del llibre, dissenyats amb un curs de 13 setmanes en ment i personalitzats per a cursos amb un enfocament particular (per exemple, salut pública o política sanitària). S'ha procurat que el llibre sigui el més modular possible; els professors poden ometre alguns capítols i passar a la resta del llibre sense problemes.

Pel que fa al nivell de matemàtiques, alguns capítols són més avançats matemàticament que d'altres. No obstant això, el llibre es descriu com refrescantment no tècnic, tot i ser erudit i exhaustiu. El lloc web complementari ofereix moltes suggerències útils per adaptar aquest llibre a estudiants de diferents procedències.

El llibre també inclou exemples i referències a estudis importants en el camp de l'economia de la salut, com el RAND Health Insurance Experiment (HIE) i el model d'Akerlof del mercat de "lemmons". També es mencionen debats de política sanitària arreu del món i material d'actualitat que es pot trobar diàriament a la premsa popular, com les disparitats socioeconòmiques en salut, l'epidèmia d'obesitat i l'economia de la salut del comportament.

Efficient health insurance as a first best

 Sick Insurance: Adverse Selection and Regulation of Health Insurance Markets

When heterogeneity in consumer tastes and needs, and in cost and quality of products, are publically observable, markets can price, sort, and match these variations, and product choices made by consumers yield demand signals that foster efficient resource allocation. These conditions hold, roughly, for a broad swath of economic activity, allowing lightly regulated private markets to successfully approximate allocative efficiency. However, in health care systems around the globe today, participants do not necessarily see the big picture of lifetime health costs and quality of life, and in many systems the incentives that consumers and providers face do not promote efficient allocation of health care resources. Information asymmetries are the fundamental source of difficulties in health insurance markets and in efficient provision of health services. Additional factors contributing to poor performance of health markets include (1) government regulation that is intended to protect the disadvantaged and promote equity, but creates incentives antagonistic to allocative efficiency, (2) inefficient provider organizations and non-competitive conduct, sometimes sheltered by government policies, and (3) behavioral shortcomings of consumers in promoting their own self-interest, including inconsistent beliefs regarding low-probability future events, myopia, and inconsistent risk assessment.

The seminal contributions to economic analysis of Kenneth Arrow, George Akerlof, Joe Stiglitz, Mike Spence, Mike Rothschild, and John Riley establish that when there are information asymmetries between buyers and sellers, adverse selection, moral hazard, and counter-party risk can result, causing markets to operate inefficiently or unravel. Asymmetric information between buyers and sellers, or market regulations that restrict competitive underwriting and force common prices for disparate products, can induce adverse selection. Moral hazard occurs when effort to avoid risks cannot be observed by sellers and stipulated in insurance contracts, and buyers have less incentive for risk-reducing effort when some of their potential losses are covered. When the productivity and cost of medical interventions is not known to all parties, then buyers and third-party-payers may not make informed decisions on therapies. Counter-party risk occurs when sellers evade payment of benefits for losses, or fail as agents to respect the interests of the consumers who are their principals. Adverse selection of buyers with high latent risk or low risk-reducing effort, or sellers with high counter-party risk, make insurance less attractive to buyers, and may cause insurance markets to unravel. Administrative overhead will induce less than full insurance. By itself, this does not make insurance market outcomes inefficient, but increasing returns to scale in administrative costs may lead to an inefficient concentrated market.

In principle, the problems of asymmetric information can be overcome by government operation or regulation of health services; in practice, there remains a major mechanism design problem of designing incentives that handle the asymmetries; e.g., “single payer” systems permit additional levers of control, but information asymmetries cause principal-agent problems even in command organizations. Legal mandates and regulations can make adverse selection worse. Government policy on private health insurance markets often reflects a social ethic that individuals should not be denied health care because of inability to pay, expressed for example in requirements that hospitals admit uninsured patients with life-threatening conditions, and a social ethic that insurance contract underwriting should not be based on risk factors such as gender, race, and pre-existing conditions. When these requirements are not publically financed, they are implicit taxes on insurers and providers that are at least in part passed through to consumers as higher premiums that increase the effective load for low-risk consumers. Both the higher loads and the prospect of public assistance as a last resort reduce the incentive for consumers to buy insurance and to pay (or copay) for preventative care.

The United States has, more than any other developed country, relied on private markets for health insurance and health care delivery. These markets have performed poorly. Denials and cancellations, exclusion of pre-existing conditions, and actuarially unattractive premiums have left many Americans with no insurance or financially risky gaps in coverage. Administrative costs for health insurance in the United States are seven times the OECD average. These are symptoms of adverse selection. Delayed and inconsistent preventative and chronic care, arguably induced by incomplete coverage, have had substantial health consequences: the United States ranks 25th among nations in the survival rate from age 15 to age 60. This impacts the population of workers and young parents whose loss is a substantial cost to families and to the economy. If the U.S. could raise its survival rate for this group to that of Switzerland, a country that has mandatory standardized coverage offered by private insurers, this would prevent more than 190,000 deaths per year.

Given the damage that information asymmetries can inflict on private market allocation mechanisms, the obvious next question is what regulatory mechanisms can be used to blunt or eliminate these problems. This involves examining closely the action of adverse selection and moral hazard, and the tools from principal-agent theory and from regulatory theory that can blunt these actions. There is an extensive literature relevant to this analysis that can be focused on the regulatory design question. Less well investigated are the impacts of consumer behavior, particularly mistaken beliefs. This paper examines these issues, and studies the impacts of regulations intended to promote equity and efficiency. More practically, this paper investigates these issues with reference to the private market in the United States for prescription drug coverage for seniors, introduced in 2006 and subsidized and regulated as part of Medicare.

The efficient regulatory design is mandatory universal insurance, this is the answer. But it has to be eficient, otherwise appears duplicate insurance, paying twice for the same. This is the worst second best, a combined failure of mandatory and private coverage.

The end of marginal revolution

Richard Thaler was awarded with the Nobel Prize some days ago. If you follow this blog you'll know his works on behavioral economics and nudging. Since many years I've been interested in this perspective, though it has still more to deliver.
Today I would suggest you to read JM Colomer blog. He has written an excellent post on him and its impact on economic science. Selected statements:

Marginalist microeconomics held that we could understand collective outcomes by assuming that they derive from free interactions among homines economici.
A first big counter-revolution was the reintroduction of institutions in the basic analysis, especially since the 1980 and 1990s (including by Nobel laureates related to the social choice and public choice schools such as Kenneth Arrow, James Buchanan, Ronald Coase, Douglass North, Amartya Sen, Thomas Schelling, Leonid Hurwicz, Roger Myerson, political scientist Elinor Ostrom, Oliver Williamson, and others).

The second is the reintroduction of realistic observations about people’s motivations and behavior, including emotions. This has been based on psychology, on the background of huge progress in neuroscience (while pioneers include political scientist Herbert Simon and psychologist Daniel Kahneman). That Richard Thaler professes at the University of Chicago, once the temple of the neoclassical school, shows the depth of the change.

Now we know again that the three pillars of social analysis are, together with people’s calculated self-interested choices, emotions and institutions, as Hume and Smith masterfully had already established.

And this is the return to the roots of economics with a new toolkit.

Parov Stelar

La bola de vidre

Predictive risk and health care: an overview
L'ofici de predir el futur té ganxo però falla més que una escopeta de fira. Almenys això és el que succeeix sovint amb les prediccions meteorològiques. L'excusa habitual és que la geografia és diversa i cal fer prediccions molt acurades territorialment. D'acord, salvem els homes i les dones del temps per un moment, que fa uns mesos ja vaig carregar sobre el tema en aquest blog.
Si traslladem l'argument a l'entorn salut què ens agradaria més que predir els risc d'emmalaltir i quan costarà?. L'Arrow hauria de reescriure el seu article de fa gairebé 50 anys. Sabem que això no serà així almenys per ara. El document de Nuffield Trust revisa l'estat de la qüestió de l'ajust de risc al NHS. No us feu ilusions, no hi ha predicció de risc de veritat. Ens diu on són i cap on van. Està bé fer-hi una ullada.

PD. L'especulació sobre la medicina predictiva segueix dia rera dia, avui a LV. No hi ha altra tema més suggerent?

El millor economista de tots els temps

 GOAT: Who is the  Greatest Economist of all Time and Why Does it Matter? 

En Tyler Cowen és un paio sorprenent sempre. El seu blog esdevé inabastable, de vegades escriu també Alex Tabarrock. I ara la última que ha fet és un llibre descarregable lliurement per internet amb intel·ligència artificial acoplada.

Aquest és l'índex:

•  Introduction, and why this is the book of a fan
•  Milton Friedman as GOAT?
•  John Maynard Keynes  
•  Friedrich A. Hayek
•  Those who did not make the short list: Marshall, Samuelson, Arrow, Becker, and Schumpeter
•  Why won’t anyone nominate John Stuart Mill as GOAT?
•  Malthus as GOAT, and are we all doomed?
•  Is Adam Smith the obvious winner?
•  The winner(s): so who is the greatest economist of all time?

He de dir que el guanyador escollit per en Cowen està relacionat amb la seva ideologia. Res a dir, ho ha escollit lliurement segons les seves preferències. Després fa variacions i ajustos, i ofereix altres candidats però va per allà mateix. Jo en diria algun dels que diu, i d'altres que oblida. 

No us desvelo el final, així podeu tastar el llibre durant el cap de setmana.

Keynes