Jornal de Pesquisa Clínica e Bioética

Abstrato

Uma abordagem baseada em dados para renovar o modelo de ajustamento de risco das Accountable Care Organizations (ACO)

Yubin Park, Kevin Buchan, Jason Piccone, Brandon Sim

As Accountable Care Organizations (ACOs) envolvem grupos de prestadores de cuidados de saúde, que se reúnem voluntariamente para prestar cuidados coordenados e de elevada qualidade aos beneficiários alinhados. Muitos ACO, como o programa de poupança partilhada Medicare e o programa ACO REACH, podem participar em modelos de pagamento alternativos que diferem do modelo prevalecente de Taxa por Serviço. Nestes modelos de pagamento alternativos, os prestadores e os pagadores partilham o risco financeiro para alinhar os incentivos financeiros das ACO com o duplo objectivo de reduzir o custo total dos cuidados e melhorar a qualidade dos cuidados. Por outras palavras, os ACO poderiam lucrar mantendo os seus pacientes saudáveis ​​e evitando hospitalizações desnecessárias. No entanto, para que esta estrutura financeira funcione como pretendido, é necessário que exista um modelo de Ajustamento de Risco (RA) para alterar o reembolso proporcional ao risco do beneficiário; caso contrário, os ACO apenas poderão inscrever doentes saudáveis, ou seja, seleção adversa. Embora a maioria dos ACO adotem modelos de RA por este motivo, a metodologia original de RA manteve-se praticamente a mesma nas últimas décadas. Como resultado, alguns participantes da ACO encontraram formas de “manipular” o sistema: receber pagamentos desproporcionados pelo risco que suportam. Para mitigar o desperdício, o governo federal adicionou vários mecanismos pós-ajustamento, tais como misturar o valor de referência ajustado ao risco com despesas históricas, ajustar por um factor de intensidade de codificação, limitar a taxa de crescimento da pontuação de risco e incorporar incentivos de equidade em saúde. Infelizmente, estes mecanismos constroem-se uns sobre os outros de forma não linear e descontínua, fazendo com que os seus efeitos e eficácia reais sejam difíceis de destrinçar e avaliar. Neste artigo, resumiremos as nossas lições retiradas da operação de uma das ACO mais bem-sucedidas do país para ajudar a reconstruir o modelo de AR com base numa abordagem baseada em dados. A seguir, descrevemos as características de um modelo ideal de RA. De seguida, propomos um novo que satisfaça tais requisitos, eliminando a necessidade de um processo de múltiplas etapas envolvendo estágios não lineares e descontínuos. Por fim, fornecemos resultados experimentais aplicando este modelo aos nossos dados ACO e comparando-os com a implementação atual do RA. Os nossos resultados experimentais mostram que as nossas abordagens baseadas em dados podem alcançar melhores desempenhos preditivos medidos em R-quadrado, medida de previsão de Cumming e erro médio de previsão absoluta.