Guiding Risk Adjustment Models Toward Machine Learning Methods
Comparing risk adjustment estimation methods under data availability constraints
En aquells entorns on el mercat i el sistema de preus no hi juguen un paper, és on cal pensar en mecanismes alternatius per a crear incentius a l'eficiència i a la presa de decisions. El mecanisme de preus es altament poderós i ja ho deia Hayek és un senyal que permet coordinar les decisions.
Al sector salut no tenim preus competitius de mercat. Tenim en alguns casos tarifes, i habitualment el que en diem sistemes de pagament i d'ajust de risc. Ja fa dues dècades que ho va explicar Newhouse en aquest llibre. Hi ha tarifes perquè hi ha asseguradores amb poder de negociació que les imposen, o donen poc marge per modificar-les. No podem parlar de formació de preus competitius de mercat ni de bon tros. I hi ha sistemes de pagament allà on no arriba bé la definició de l'output o interessen altres objectius. Això succeeix tant en asseguradores privades com públiques.
Es clar, si pagues una tarifa per acte, incentives que es facin més actes. I el que interessa són els resultats de salut, no l'activitat en si mateixa. Aquí és on entren els sistemes de pagament.
Tinc la ferma impressió que aquesta qüestió no es pren amb el rigor que es mereix. Newhouse ja hi feia èmfasi fa molt de temps. Deia, si millorem el sistema de pagament, estarem millorant també l'eficiència del sistema de salut.
Atenent a la moda del moment, ara ens caldria també analitzar les noves eines d'ajust de risc basades en aprenentatge automàtic, si realment aporten millores o només són un miratge marginal. És a dir si aporten alguna cosa, a canvi d'oferir una caixa negra que no sabem com els factors contribueixen al resultat. La meva impressió per ara, és de caixa negra. Caldrà veure què va sorgint. Dels dos articles ressenyats al principi, el primer hi confia, mentre que el segon ja ho diu:
"Our findings show that ML techniques, particularly SL, outperformed OLS in all data scenarios, although the adjusted-R 2 RE ranges between 0.02% points in the coarse granularity/poor range of variables scenario and 2.8% points in the coarse granularity/rich range of variables scenarios, indicating no statistically significant gain in our sample of 100,000 observations. Performance based on MSE also showed consistent results"
Si del que es tracta és augmentar 2,8 punts percentuals la variació explicada, a canvi d'una caixa negra, ja us puc dir que no paga la pena. Deixem de banda l'aprenentatge automàtic per ara. Tornem allà on érem, als orígens. Fem un bon diagnòstic i corregim el que no funciona (que és molt).
A Catalunya, la situació dels sistemes de pagament requereix una profunda revisió que s'ha anat ajornant sistemàticament. Hi ha dos nivells, l'assignació poblacional (ajust de risc, pròpiament dit) i la compensació als proveïdors (sistema de pagament, pròpiament dit). No tenim ni l'un ni l'altre que facin la funció que hem dit que ha de fer, promoure l'eficiència i millorar la coordinació de les decisions. Podem seguir així? La regulació vigent aviat farà una dècada, és de 2014. Algú hauria de situar la seva revisió en profunditat com a prioritat. Està tronat.
PS. tronat -ada. 1 adj. [LC] Fet malbé per l'ús
Robert Doisneau
PS. Disbarat del dia. Com la indústria farmacèutica posa dos preus diferents al mateix medicament, explicat a WSJ.