Naast het uitvoeren van wetenschappelijk onderzoek heeft het WPR ook als doel om kennisdeling te bevorderen tussen wetenschap, beleid, uitvoering en praktijk. Het WPR geeft op drie manieren invulling aan dit doel:
- Het organiseren van symposia en kennissessies
- Het uitgeven van een digitale nieuwsbrief
- Het onder de aandacht brengen van relevante internationale publicaties op het terrein van risicoverevening
Symposia en kennissessies
Op 28 november 2024 vond op Teams een WPR-webinar plaats over de impact van risicoverevening op de prikkels voor prijs- en volumebeheersing. Aan dit webinar namen 39 geïnteresseerden deel uit wetenschap, beleid en praktijk.
Het webinar begon met een presentatie van Rudy Douven (ESHPM) over een onderzoek waarin maatstaven zijn ontwikkeld voor het kwantificeren van prikkels voor prijs- en volumebeheersing. Samen met internationale collega’s heeft Douven die maatstaven vervolgens toegepast op verschillende landen waaronder Nederland.
Uit het onderzoek blijkt dat de morbiditeitskenmerken in het Nederlandse vereveningsmodel leiden tot een vermindering van prikkels voor prijs- en volumebeheersing, ceteris paribus. De PPT-slides van de presentatie vind je hier.
Vervolgens is gediscussieerd over de vraag in hoeverre de door Douven et al. aangetoonde vermindering in prikkels voor prijs- en volumebeheersing problematisch is voor het Nederlandse zorgstelsel. Daarbij zijn via een peiling de volgende deelvragen voorgelegd aan het publiek: Denk je dat Nederlandse zorgverzekeraars zich bewust zijn van de impact van risicoverevening op de prikkels voor prijs- en volumebeheersing? Denk je dat prijsonderhandelingen tussen zorgverzekeraars en zorgaanbieders worden beïnvloed door de risicoverevening? Denk je dat het beleid van verzekeraars ten aanzien van ‘preventie’ en ‘juiste zorg op de juiste plek’ wordt beïnvloed door de risicoverevening?
Benieuwd naar de uitslag van de peiling? Kijk dan hier.
Op 26 januari 2024 vond op de campus van de Erasmus Universiteit Rotterdam de kick-off plaats van het WPR. Samen met ruim 50 vereveningsexperts uit onderzoek, beleid en praktijk zijn we die middag in gesprek gegaan over
- Het belang van wetenschappelijk onderzoek voor de doorontwikkeling van de risicoverevening
- De doelen van het WPR
- De invulling van het WPR in termen van onderzoek, samenwerking en kennisdeling
De kick-off heeft een lange lijst aan ideeën opgeleverd voor onderzoek en kennisdeling. U kunt het verslag van de paneldisccussie downloaden als ook de slides.
Relevante internationale publicaties
Panturu, A., R.C. van Kleef, F. Eijkenaar & D. Cattel (2024). A framework for the design of risk-adjustment models in healthcare provider payment systems (2024). Medical Care Research and Review. https://doi.org/10.1177/10775587241273355Opent extern
Prospectieve bekostigingssystemen voor zorgverleners gebruiken vaak ‘off-the-shelf’ risicovereveningmodellen die oorspronkelijk voor andere doeleinden zijn ontwikkeld. Het ontwerp van risicovereveningsmodellen voor prospectieve betaling van zorgverleners is echter een complex proces met lastige keuzes en afwegingen. Dit artikel ontwikkelt een conceptueel raamwerk dat deze keuzes en afwegingen samenbrengt. Dat leidt tot een aantal belangrijke inzichten. Ten eerste is het ontwerp van risicovereveningsmodellen geen kwestie van one-size-fits-all. Het ontwerp vereist normatieve keuzes over welke variabelen gecompenseerd moeten worden (C-variabelen) en welke variabelen onder de verantwoordelijkheid van de zorgverleners vallen (R-variabelen). Ten tweede moet het ontwerpproces worden geleid door drie belangrijke criteria: (a) adequate compensatie voor kostenvariatie die is gerelateerd aan C-variabelen; (b) geen compensatie voor kostenvariatie die is gerelateerd aan R-variabelen; en (c) uitvoerbaarheid. Ten derde kunnen de verschillende ontwerpkeuzes en -opties worden gecategoriseerd langs twee overkoepelende dimensies: (a) de keuze van vereveningskenmerken en (b) de keuze van betalingsgewichten die hieraan zijn gekoppeld. De aanbeveling van de auteurs is om deze keuzes expliciet te maken, rekening houdend met de context en de afwegingen tussen selectie, kostenbeheersing en uitvoerbaarheid.
Oskam, M., R.C. van Kleef & R.C.J.A. van Vliet (2024). Supplementing risk adjustment with high-risk pooling using historical data for identifying the high risks (2024). Journal of Risk and Insurance. https://onlinelibrary.wiley.com/doi/10.1111/jori.12500Opent extern
Dit artikel onderzoekt de mogelijkheden en effecten van Hoge Risico Verevening (HRV) als aanvulling op ex-ante risicoverevening. In een eerste stap worden met behulp van historische zorgkosten en vereveningscriteria verzekerden opgespoord met een hoog risico op ondercompensatie door de ex-ante risicoverevening. Daarvoor worden drie modellen getest: 1) een simpel model met uitsluitend historische kosten als voorspeller, 2) een OLS-model met historische kosten én historische vereveningskenmerken als voorspellers, en 3) een random forest model met historische kosten én historische vereveningskenmerken als voorspellers. Het derde model identificeert de meest selectieve groep, maar de extra voorspelkracht ten opzichte van de andere twee modellen is marginaal. Op basis van het random forest model wordt de volgende groep van hoog-risico verzekerden vastgepind: 1% van de populatie met een gemiddelde ondercompensatie van €6050 per verzekerde per jaar. In een tweede stap wordt een vorm van HRV toegepast waarmee de ondercompensatie op de vastgepinde groep wordt weggenomen. In een simulatie wordt gekeken naar het effect van HRV op de ondercompensatie van subgroepen van chronische zieken afgeleid uit huisartsenregistraties van het Nivel. Door HRV neemt de ondercompensatie op subgroepen van chronisch zieken met gemiddeld 42% af. In een laatste stap worden de uitkomsten van HRV vergeleken met die van een meer traditionele vorm van risicodeling: Hoge Kosten Compensatie (HKC). Onder gelijkhouding van prikkels voor doelmatigheid leidt HRV tot een grotere reductie in onder/overcompensaties dan HKC.
Van Kleef, R.C., Reuser, M., Stam, P.J. & Van de Ven, W.P.M.M. A framework for ex-ante evaluation of the potential effects of risk equalization and risk sharing in health insurance markets with regulated competition (2024). Health Economics Review 14, 57 (2024). https://doi.org/10.1186/s13561-024-00540-4Opent extern.
Dit artikel biedt een conceptueel kader voor het ex-ante evalueren van risicoverevenings/risicodelingsmodellen in zorgverzekeringsmarkten met gereguleerde concurrentie. Het artikel bestaat uit drie delen. Het eerste deel bespreekt 22 potentiële effecten van risicoverevening en risicodeling. Het tweede deel geeft een overzicht en categorisering van kwantitatieve maatstaven die in de literatuur worden gebruikt voor het evalueren van risicoverevenings/risicodelingsmodellen. Belangrijke observaties zijn dat niet alle maatstaven die worden gebruikt even relevant zijn in het licht van de potentiële effecten en dat niet voor alle 22 potentiële effecten geschikte maatstaven bestaan. Dit leidt tot een belangrijke aanbeveling voor onderzoekers: ontwikkel aanvullende maatstaven voor het kwantificeren van de potentiële effecten van risicoverevening en risicodeling. Het derde deel legt het raamwerk van potentiële effecten en maatstaven naast het WOR-toetsingskader (versie: 2017-2022). Belangrijke observaties zijn dat veel van de 22 effecten niet expliciet worden meegenomen in het WOR-toetsingskader (niet kwantitatief, noch kwalitatief) en dat de set van kwantitatieve maatstaven incompleet en op sommige punten zelfs niet valide is. Dit leidt tot een belangrijke aanbeveling voor beleidmakers: houd het toetsingskader tegen het licht en zorg ervoor dat alle potentiële effecten expliciet worden meegenomen en meegewogen (waar mogelijk kwantitatief, en anders kwalitatief). Inmiddels is de lijst van 22 potentiële effecten toegevoegd aan het WOR-toetsingskader (versie: 2023-heden). Desondanks blijft het WOR-toetsingskader onzes inziens voor verbetering vatbaar, met name als het gaat om de set van kwantitatieve maatstaven (die nog steeds incompleet en op sommige punten niet valide is). Werk aan de winkel!
Ismail, I., P.J.A. Stam, F.R.M. Portrait, A. van Witteloostuijn & X. Koolman. Addressing unanticipated interactions in risk equalization: A machine learning approach to modeling medical expenditure risk (2024). Economic Modelling. https://doi.org/10.1016/j.econmod.2023.106564Opent extern
Dit artikel onderzoekt de potentiële meerwaarde van het gebruik ‘machine learning’ (ML) voor risicoverevening. De auteurs laten zien hoe machine learning kan helpen bij het opsporen van relevante interactietermen tussen risicofactoren. Een vernieuwend aspect van dit onderzoek is dat de auteurs gebruikmaken van een zeer grote dataset (N=17m) waardoor complexere interactietermen kunnen worden opgespoord dan in eerdere onderzoeken waarin veel kleinere datasets zijn gebruikt. Een ander vernieuwend aspect is dat het artikel een uitgebreide beschrijving geeft van de ML-technieken die worden gebruikt, te weten Random Forest (RF) en Gradient Boosting Machines (GBM). In een empirische simulatie passen de auteurs deze ML-technieken toe op het Nederlandse vereveningsmodel. Daarbij maken zij gebruik van een ‘split-sample’ methode ter voorkoming van ‘overfitting’. Uit de resultaten blijkt dat het gebruik van ML kan leiden tot een toename van de verklaarkracht van het vereveningsmodel en een afname van de voorspelbare winsten/verliezen voor specifieke subgroepen. Het discussiehoofdstuk bespreekt de voor- en nadelen van het gebruik van ML voor risicoverevening.
Van Kleef, R.C., M. Reuser, T.G. McGuire, K. Beck, J. Wasem, S. Brammli-Greenberg, J. Armstrong, E. Schokkaert, F. Paolucci, and R.P. Ellis. Scope and Incentives for Risk Selection in Health Insurance Markets With Regulated Competition: A Conceptual Framework and International Comparison (2024). Medical Care Research & Review. https://doi.org/10.1177/10775587231222584Opent extern.
Dit artikel biedt een conceptueel kader voor het analyseren van “scope” (i.e., mogelijke acties van verzekeraars en verzekerden) en “incentives” voor risicoselectie in zorgverzekeringsmarkten met gereguleerde concurrentie. Hierbij worden vier hoofdvormen van risicoselectie onderscheiden: 1) risicoselectie door verzekerden in/uit de markt, 2) risicoselectie door verzekerden tussen verzekeringsproducten, 3) risicoselectie door verzekeraars via productdifferentiatie en 4) en risicoselectie door verzekeraars via andere wegen zoals marketing, klantenservice en aanvullende verzekeringen. Het conceptuele kader bespreekt per hoofdvorm hoe “stelselaspecten” van invloed zijn op de scope en incentives voor selectie. Selectie is alleen een probleem als zowel scope als incentives aanwezig zijn. Vervolgens wordt het conceptuele kader toegepast op negen zorgverzekeringsmarkten met gereguleerde concurrentie in Australië, Europa, Israel en de Verenigde Staten. Een belangrijke observatie is dat er grote verschillen bestaan in scope en incentives tussen zorgverzekeringsmarkten. Dit verklaart waarom een selectievorm in de ene verzekeringsmarkt problematischer is dan in de andere. In het discussiehoofdstuk wordt een aantal beleidsimplicaties besproken. Één van die beleidsimplicaties is dat risicoselectie op twee manieren kan worden tegengegaan: 1) via het verkleinen van de ‘scope’ en 2) via het verminderen van ‘incentives’. Een nadeel van het verkleinen van de scope voor risicoselectie (bijvoorbeeld via productstandaardisatie) is echter dat daarmee ook de scope voor doelmatigheid wordt verkleind. In theorie, gaat de voorkeur daarom uit naar het verminderen van de incentives voor risicoselectie.
Van de Ven, W.P.M.M. & R.C. van Kleef (2024). A critical review of the use of R2 in risk equalization research? (2024). European Journal of Health Economics. https://doi.org/10.1007/s10198-024-01709-8Opent extern.
Bijna alle empirische onderzoeken waarin een risicovereveningsformule wordt geschat, presenteren de waarde van de statistische maatstaf R2 (op individueel niveau). De R2-waarde wordt vaak (impliciet) geïnterpreteerd als een maatstaf voor de mate waarin de vereveningsbijdragen de door regelgeving veroorzaakte voorspelbare winsten en verliezen op verzekerden wegnemen, waarbij een hogere R2-waarde duidt op betere prestaties. In veel gevallen weten we echter niet of een model met R2 = 0,30 de voorspelbare winsten en verliezen meer reduceert dan een model met R2 = 0,20. In dit artikel wordt beargumenteerd dat de R2 in de context van risicoverevening moeilijk te interpreteren is als maatstaf voor selectieprikkels, tot verkeerde en misleidende conclusies kan leiden als het wordt gebruikt als maatstaf voor selectieprikkels, en daarom niet bruikbaar is voor het meten van selectieprikkels. Hetzelfde geldt voor gerelateerde statistische maatstaven zoals de Mean Absolute Prediction Error (MAPE), Cumming’s Prediction Measure (CPM) en de Payment System Fit (PSF). Er zijn enkele uitzonderingen waarbij de R2 nuttig kan zijn. De aanbeveling van de auteurs is om de R2 ofwel met een duidelijke, valide en relevante interpretatie te presenteren, ofwel de R2 niet te presenteren. Hetzelfde geldt voor de gerelateerde statistische maatstaven MAPE, CPM en PSF. De beleidsrelevantie van dit artikel is dat de R2 als evaluatiemaatstaf van de kwaliteit van een vereveningsmodel in het algemeen niet geschikt is. Goede evaluatie-maatstaven zijn de voorspelbare winsten en verliezen per verzekerde voor relevante subgroepen, bijvoorbeeld subgroepen van gezonde verzekerden en subgroepen van ongezonde verzekerden.
Politzer, E. (2024). Utilization Thresholds in Risk Adjustment Systems (2024). American Journal of Health Economics 10: 470-503. Opent externhttps://doi.org/10.1086/724791?journalCode=ajheOpent extern
Dit artikel onderzoekt de vormgeving van drempels die worden gebruikt bij de indeling van verzekerden in risicoklassen. De auteur neemt de DDD-drempel die wordt gebruikt bij Farmacie Kosten Groepen (FKGs) als voorbeeld. DDD staat voor ‘Defined Daily Dose’ en de DDD-drempel geeft aan hoeveel standaard dagdoseringen van een bepaald medicijn een verzekerde in het voorgaande jaar moet hebben gebruikt om in een FKG te worden ingedeeld. De auteur van het artikel laat zien hoe de hoogte van de DDD-drempel van invloed is op zowel de verevenende werking als de perverse prikkels voor verzekeraars (dat wil zeggen: de prikkels voor verzekeraars om verzekerden de DDD-drempel te laten passeren ten behoeve van een hogere vereveningsbijdrage). In de praktijk wordt vaak gebruikgemaakt van een uniforme DDD-drempel. In een empirische simulatie met Amerikaanse data laat de auteur zien hoe een FKG-specifieke DDD-drempel kan leiden tot een verbetering van de verevende werking. Vervolgens laat de auteur zien hoe het gebruik van meerdere drempelwaarden per FKG kan leiden tot een verdere verbetering van de verevenende werking en een vermindering van perverse prikkels.