Abbildungsverzeichnis
Tabellenverzeichnis
Abkürzungsverzeichnis
1 Einleitung
1.1 Problemstellung und Zielsetzung
1.2 Gang der Untersuchung
2 Begriffsbestimmungen und Grundlagen
2.1 Leistungsrisiken
2.1.1 Definition
2.1.2 Struktur der Leistungsausgaben
2.1.3 Steuerungsmöglichkeiten
2.2 Predictive Modeling
2.2.1 Definition
2.2.2 Abgrenzung zu Prior-Expense-Analysen
2.2.3 Einsatzmöglichkeiten zum Management der Leistungsrisiken
3 Theoretische Ausgestaltung von Predictive Models
3.1 Modellierungsansätze
3.2 Risk Grouper basierte Modelle
3.2.1 Grundlegende Konzeption
3.2.2 Datenbasis
3.2.2.1 Morbiditätsindikatoren
3.2.2.2 Codierungen
3.2.3 Risiko- und Ausgabenschätzung
3.2.3.1 Zellenansatz
3.2.3.2 Zuschlagsansatz
3.2.3.3 Vergleich der Ansätze
3.2.4 Zeitgleiche und prospektive Anwendung
3.2.5 Modelloutput
3.2.6 Kritische Würdigung
4 Vergleich bestehender Predictive Modeling Systeme
4.1 Vergleichskriterien
4.2 Übersicht ausgewählter Systeme
4.2.1 ACG Case-Mix System
4.2.2 IHCIS Impact Pro
4.2.3 DxCG Risk Smart Global
4.3 Empirische Testergebnisse
4.3.1 Maße zur Schätzgenauigkeit
4.3.2 SOA Risk Adjuster Study
4.3.3 IGES/Lauterbach/Wasem-Studie
4.4 Anpassungsmöglichkeit an GKV-Strukturen
4.5 Kritische Würdigung und Systemauswahl
5 Implementierung eines Risk Grouper basierten Predictive Models
5.1 Vorgehensmodell
5.1.1 Ableitung eines Vorgehensmodells
5.1.2 Implementierungsphasen
5.2 Kritische Erfolgsfaktoren bei der Implementierung
5.2.1 Risiko-Framework
5.2.2 Systemauswahl
5.2.3 Datenqualität
5.2.4 Klassifikation und Kostengewichte
5.2.5 Risikomanagement-Prozess
5.2.6 Risiko-Berichtswesen
6 Schluss
6.1 Fazit
6.2 Ausblick
Literaturverzeichnis
Abb. 1: Ausgabenstruktur der AOK Nds., Jahr 2005
Abb. 2: Hochkosten-Patienten und Anteil an den Gesamtausgaben
Abb. 3: Risikobewertungspyramide
Abb. 4: Identifikation von Hoch-Risikopatienten
Abb. 5: Einsatzmöglichkeiten von Predictive Modeling
Abb. 6: Beispielhafte Netztypologie eines MLP
Abb. 7: Sigmoide Aktivierungsfunktion
Abb. 8: Konzeption eines Risk-Grouper basierten Predictive Models
Abb. 9: Entscheidungsbaum zur Zuordnung in Risikoklassen
Abb. 10: Versichertenbestandsanalyse mit IHCIS Impact Pro
Abb. 11: Kriterien zum Vergleich von Predictive Modeling - Systemen
Abb. 12: ACG Entscheidungsbaum
Abb. 13: Risikoschätzung mittels Episode Risk Groups
Abb. 14: Überleitung von ICD-Codes
Abb. 15: Idealisierter und effektiver Prognosezeitraum
Abb. 16: R2-Werte von Risk Groupern und einem KI-System
Abb. 17: Vorgehensmodell zur Predictive Modeling - Implementierung
Abb. 18: Risikomanagement-Prozess
Tabelle 1: Bewertung der Eigenschaften verschiedener Morbiditätsindikatoren
Tabelle 2: Codierung von Morbiditätsindikatoren
Tabelle 3: Zuordnung von Versicherten in Demographie- und Risikoklassen
Tabelle 4: Modellvarianten des ACG Case Mix Systems
Tabelle 5: Spezifikation des IHCIS Impact Pro
Tabelle 6: Modellvarianten des DxCG Risk Smart
Tabelle 7: Untersuchte Modelle in der SOA-Studie
Tabelle 8: R2 und MAPE – Prospektives Modell, Standard-Ausgabengewichte
Tabelle 9: R2 und MAPE – Prospektives Modell, neu kalibr. Ausgabengewichte
Tabelle 10: R2 und MAPE – Zeitgleiches Modell, neu kalibr. Ausgabengewichte
Tabelle 11: Predictive Ratios – Zeitgleiches Modell, neu kalibr. Ausgabengewichte
Tabelle 12: Untersuchte Modelle in der IGES/Lauterbach/Wasem-Studie
Tabelle 13: R2 und MAPE bei zeitgleicher und prospektiver Anwendung
Tabelle 14: Predictive Ratios in Bezug auf ausgewählte Diagnosen
Tabelle 15: Zusammenfassung der Teststudien-Ergebnisse
Abbildung in dieser Leseprobe nicht enthalten
Die Motivation für diese Arbeit entstand vor dem Hintergrund des Vorhabens einer großen gesetzlichen Krankenkasse, aufbauend auf der Analyse ihrer Versichertenbestandsrisiken ein Risikomanagement zu implementieren. Ziel der Krankenkasse ist es, mittels einer (morbiditätsorientierten) Klassifizierung des Versichertenbestandes durch zuverlässige Prognosemodelle den erwarteten aktuellen und zukünftigen Ressourceneinsatz planbar zu machen und so zu einer Erhöhung der Wirtschaftlichkeit und der Qualität der Gesundheitsversorgung zu gelangen.[1] Darüber hinaus soll die „strategische Analyse- und Prognosefähigkeit“[2] der Kasse ausgebaut werden, indem z. B. Prognosen über risikobehaftete Entwicklungen im Versichertenbestand abgeleitet werden.[3] Die Krankenkasse entgegnet somit dem wachsenden Wettbewerbsdruck und der zunehmenden Dynamik im Umfeld der gesetzlichen Krankenversicherung, u. a. in Folge kassenartenübergreifenden Fusionen und der für 2009 geplanten Einführung des morbiditätsorientierten Risikostrukturausgleichs (Morbi-RSA).
Die Suche nach etablierten Ansätzen zur Prognose des versichertenbezogenen Ressourcenbedarfes im Vorfeld dieser Arbeit führte zu der Erkenntnis, dass in den USA seit längerem Ansätze bestehen, in denen aufbauend auf der Morbidität als erklärende Variable der zukünftige Ressourcenbedarf versichertenbezogen prognostiziert wird. Die dazu notwendigen Methoden entstammen einer Disziplin, die als „ Predictive
Modeling “[4] bezeichnet wird. Zentrale Fragestellungen des Predictive Modeling - Ansatzes sind u. a.:
- Wie entwickeln sich die Leistungsausgaben für eine bestimmte Altersgruppe?
- Wer sind die zukünftigen Hochkosten-Versicherten und welche Merkmale kennzeichnen diese Versicherten?
In Deutschland war der Einsatz von Predictive Modeling im Gesundheitswesen bis 2004 noch weitgehend unerforscht.[5] Mit dem geplanten Einsatz von Predictive Models im morbiditätsorientierten Risikostrukturausgleich[6] und in der ärztlichen Vergütung[7] steigt jedoch das Interesse im deutschen Gesundheitswesen, so dass mittlerweile auch Krankenkassen Interesse am Einsatz von Predictive Modeling zeigen[8]. Die dazu notwendige Datengrundlage ist bei den Kassen durch die elektronische Abrechnung mit dem Leistungserbringer prinzipiell vorhanden. Inzwischen haben einige US- amerikanische Anbieter ihre Predictive Modeling - Systeme an die Bedingungen des deutschen Gesundheitswesens angepasst, so dass der Anpassungsaufwand für diese Systeme geringer denn je erscheint.
Die Darstellung und kritische Würdigung der Potentiale von Predictive Modeling zum Management der Leistungsrisiken einer Krankenkasse bilden den Gegenstand dieser Untersuchung. Ziel der vorliegenden Arbeit ist es, Antworten auf folgende, für Entscheidungsträger einer Krankenkasse aus fachlicher Sicht relevante, W-Fragen zu geben:
1. Was ist Predictive Modeling und wie kann es zum Management der Leistungsrisiken der Krankenkasse eingesetzt werden?
2. Welche verschiedenen methodischen Predictive Modeling - Ansätze bestehen und welche Vor-/ Nachteile sind mit diesen verbunden?
3. Welche Predictive Modeling - Systeme sind am Markt verfügbar und wie hoch ist der Anpassungsbedarf an die Strukturen einer deutschen Krankenkasse?
4. Wie sollte ein solches System sinnvoller Weise implementiert werden?
Der Untersuchungsgegenstand beschränkt sich auf die gesetzliche Krankenversicherung. Zwar ist der Einsatz von Predictive Modeling ebenso bei privaten Krankenversicherern denkbar, aufgrund systematischer Unterschiede[9] zwischen GKV und PKV ist es jedoch notwendig, die Betrachtung auf eine Art der Sozialgesetzbuch (SGB V) reguliert werden.
Krankenversicherung einzuschränken um Untersuchungen von praktischer Relevanz durchführen zu können.
Der Untersuchungsaufbau der Arbeit orientiert sich an den eingangs in der Problemstellung formulierten W-Fragen.
Im zweiten Kapitel werden die für diese Arbeit grundlegenden Begriffe Leistungsrisiken und Predictive Modeling erläutert und Einsatzmöglichkeiten von Predictive Modeling zur Steuerung der Leistungsrisiken aufgezeigt. Damit wird die erste W-Frage aufgegriffen: Was ist Predictive Modeling und wie kann es zum Management der Leistungsrisiken der Krankenkasse eingesetzt werden?
Ziel des dritten Kapitels ist es, Antworten auf die Fragen nach den methodisch- technischen Predictive Modeling - Ansätzen und deren Vor-/ Nachteile (zweite W- Frage) zu geben. Dazu werden alternative Ansätze innerhalb der Predictive Modeling - Konzeption beschrieben und ein Vergleich sowie eine kritische Würdigung der theoretischen Ausgestaltung von Predictive Models vorgenommen.
Im vierten und fünften Teil dieser Arbeit sind Antworten auf die Frage „Welche Systeme sind am Markt verfügbar und wie hoch ist der Anpassungsbedarf an die Strukturen einer deutschen Krankenkasse? und „Wie sollte ein System sinnvoller Weise implementiert werden?“ zu erarbeiten. Aufbauend auf den vorangegangenen theoretischen Untersuchungen werden hierzu alternative Predictive Modeling - Systeme und deren Anpassungsbedarf an die GKV-Strukturen evaluiert (viertes Kapitel) und das Vorgehen zur Implementierung eines Predictive Modeling - Systems in einer Krankenkasse abgeleitet (fünftes Kapitel).
Das sechste Kapitel fasst die Erkenntnisse der Arbeit abschließend zusammen und nimmt eine kritische Gesamtbetrachtung des Einsatzes von Predictive Modeling zum Management der Leistungsrisiken vor.
Das Leistungsrisiko des Krankenversicherers beschreibt das Risiko, dass die Krankenkasse für eine vom Versicherten in Anspruch genommene Leistung[10] dem Leistungserbringer[11] zur Zahlung verpflichtet ist. Da das Risiko für jeden Versicherten des Versichertenbestandes in unterschiedlicher Höhe besteht und unterschiedliche
Ausprägungen (z. B. Risiko der stationären Inanspruchnahme, der ambulanten Inanspruchnahme von Gesundheitsdienstleistungen, etc.) und Einflussfaktoren hat, ist nicht von einem homogenen Leistungsrisiko, sondern einer Vielzahl von Leistungsrisiken zu sprechen.
Ein wesentliches Merkmal von Risiko ist die Unsicherheit.[12] Unsicherheit kennzeichnet eine Situation, in welcher der künftige Eintritt eines Ereignisses lediglich mit einer gewissen Wahrscheinlichkeit (Eintrittswahrscheinlichkeit) angegeben werden kann. Bezogen auf den Fall der Leistungsrisiken begründet sich die Unsicherheit in der Varianz der Leistungsausgaben, welche die „unsicherste Größe in der ganzen Erfolgsrechnung“[13] einer Krankenkasse darstellen. Die Bewertung der Eintrittswahrscheinlichkeit wird durch die Komplexität erschwert.[14] Komplexität entsteht aufgrund vielfältiger Einflussfaktoren und deren Abhängigkeiten untereinander. Eine Reihe von Einflussfaktoren auf die Leistungsrisiken der Krankenkasse identifiziert Beck[15]. Die Höhe der Leistungsrisiken hängt demnach von
a. der Risikostruktur des Versichertenkollektivs der Krankenkasse (Versichertenbestandsrisiken),
b. der Teuerungsrate im Gesundheitswesen,
c. (politischen) Entscheidungen über die Gestaltung des Leistungskatalogs,
d. der Höhe der mit den Leistungserbringern ausgehandelten Leistungstarife,
e. der Fähigkeit der Krankenkasse, bei den Versicherten oder den Leistungserbringern Kostensparanreize zu wecken sowie
f. der Konsequenz bei der Kontrolle der eingegangenen Rechnungen auf deren Zulässigkeit und Angemessenheit
ab.[16] Ergänzend ist zu erwähnen, dass die qualitativ hochwertige und wirtschaftliche Behandlung der Versicherten die Leistungsrisiken determiniert.[17]
Die Versichertenbestandsrisiken (a.) sind der primäre Einflussfaktor für die bestehenden und zukünftigen Leistungsrisiken der Krankenkasse. Sie werden ihrerseits durch die Morbidität als ursprünglichen Einflussfaktor beeinflusst. Unter Morbidität (von lat. morbidus - krank) wird „die Krankheitswahrscheinlichkeit eines Individuums bezogen auf eine bestimmte Population“[18] verstanden. Die Morbidität selbst ist u. a. von Alter, Geschlecht und Wohnort des Versicherten abhängig. Die weiteren Faktoren (b. - f.) der Einflussfaktoren auf das Leistungsrisiko nach Beck sind sekundärer Art, da sie im Wesentlichen die Rahmenbedingungen und das Bewertungsgerüst für die Leistungsrisiken festlegen.
Auf Basis von soziodemographischen Faktoren und Morbiditätsindikatoren wie z. B. Diagnosen sind die Morbiditätsveränderungen im Versichertenbestand teilweise prognostizierbar (strukturelle bzw. kalkulierbare Leistungsrisiken). Der Ausgleich der strukturellen Unterschiede im Versichertenbestand zwischen den gesetzlichen Krankenkassen ist Ziel des Risikostrukturausgleichs (RSA). Der Ausgleichsbedarf einer Krankenkasse berechnet sich im aktuellen RSA nach den Faktoren Alter, Geschlecht und Bezug / Nichtbezug einer Erwerbsunfähigkeitsrente.[19] Mit der für 2009 geplanten Einführung des morbiditätsorientierten Risikostrukturausgleiches (Morbi-RSA) sollen zukünftig auch direkte Morbiditätsindikatoren wie Diagnosen oder Arzneimittelausgaben in die Ermittlung des Ausgleichsbedarfs einfließen.[20] Den strukturellen Risiken stehen die nicht-kalkulierbaren Leistungsrisiken gegenüber, welche die aus prospektiver Sicht unvorhersehbaren, rein zufällig eintretenden Morbiditätsveränderungen der Versicherten beschreiben.[21] Da zufällig auftretende Ausgabenunterschiede nicht zu systematischen Nachteilen einer Krankenkasse im Beitragswettbewerb führen, sind diese nicht Teil des RSA.
Das Management von Risiken im Allgemeinen erfolgt durch das Risikomanagement, welches den Prozess der Identifikation, Analyse, Bewertung, Steuerung und Überwachung von Risiken umfasst. In Analogie kann das Management von Leistungsrisiken als Prozess zur Identifikation, Analyse, Bewertung, Steuerung und Überwachung der Leistungsrisiken bezeichnet werden. Es wird mit den Leistungsrisiken also lediglich eine Kategorie von Risiken betrachtet.
Die Bedeutung der Leistungsrisiken für Krankenkassen wird bei einem Blick auf die Ausgabenstruktur deutlich. Diese zeigt, dass die Leistungsausgaben das überragende Element auf der Ausgabenseite des Krankenversicherers sind.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: Ausgabenstruktur der AOK Nds., Jahr 2005
Quelle: Eigene Darstellung auf Basis der Daten von AOK (2005), S. 17.
Abbildung 1 verdeutlicht exemplarisch die Dominanz der Leistungsausgaben anhand der Ausgabenstruktur der AOK Niedersachen auf Basis der Daten des Jahres 2005. Auf die Leistungsausgaben entfällt insgesamt ein Anteil von 93,7%. Der übrige Teil von 6,3% ist den (Netto-) Verwaltungskosten und sonstigen Aufwendungen zuzuordnen. Innerhalb der Leistungsausgaben lassen sich drei wesentliche Leistungsarten identifizieren, die ins Gewicht fallen: Krankenhausbehandlungen (34,9%)[22], Arzneien (18,7%) und ärztliche Behandlungen (14,1%). Wie im Verlauf dieser Arbeit gezeigt wird, greifen eine Vielzahl von Prognosemodellen auf Daten dieser Bereiche als Morbiditätsindikatoren zurück.[23]
Neben der Analyse der Ausgabenstruktur nach Leistungsarten ist es interessant zu sehen, wie sich die Leistungsausgaben unter den Versicherten aufteilen. Zaho et al.[24] haben dazu auf Basis einer 1999 in den USA erhobenen Versichertenstichprobe die Kostenverteilung der Gesamtausgaben über die Anteile der teuersten Versicherten analysiert (vgl. Abb. 2).
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2: Hochkosten-Patienten und Anteil an den Gesamtausgaben
Quelle: MarketScan® Research Database, zitiert nach Zaho, Y. et al. (2003), S. 392.
Die Ergebnisse zeigen, dass einem geringen Anteil an Versicherten ein maßgeblicher Anteil an den gesamten Leistungsausgaben eines Jahres gegenübersteht. So erreichen die teuersten 0,5% der Versicherten einen Anteil an den Gesamtausgaben von 19,3%. Die Analyse zeigt jedoch auch, dass die Hochkosten-Patienten des einen Jahres nicht zwangsläufig auch Hochkostenpatienten des folgenden Jahres sind: Die teuersten 0,5% der Versicherten des Jahres 1998 hatten einen Anteil von 20% an den Gesamtkosten des Jahres 1998, jedoch nur einen Anteil von 7% an den Gesamtkosten des Jahres 1999.[25]
Die Möglichkeiten der Krankenkassen zur Steuerung der Leistungsrisiken unterliegen vor allem durch das fünfte Sozialgesetzbuch (SGB V) einer starken Beschränkung. Eine Steuerung der Leistungsrisiken über den Umfang der angebotenen Leistungen scheidet aufgrund des vom Gesetzgeber im dritten Kapitel des SGB V vorgeschrieben Leistungskataloges aus. Auch die Möglichkeit, die Leistungsrisiken durch aktive Auswahl von Versicherten, d. h. durch Risikoselektion, zu steuern, wird vom SGB V unterbunden. Versicherungspflichtige[26] und Versicherungsberechtigte[27] haben nach § 173 SGB V grundsätzlich ein Wahlrecht welcher Krankenkasse sie beitreten. Die vom Versicherten gewählte Krankenkasse darf die Mitgliedschaft nach § 175 Abs. 1 SGB V nicht ablehnen. Die Möglichkeiten zur Risikoselektion sind damit beschränkt. Gangbare Wege sind ein gezieltes Marketing, indem bestimmte, potentielle Versicherte mit erwartungsgemäß günstigen Risikoprofilen verstärkt angesprochen werden sowie „Rückhol-Aktionen“ bei Kündigung durch den Versicherten.[28]
Die größten Handlungsspielräume zum Management der Leistungsrisiken liegen damit im Bereich des Versorgungsgeschehens. Das größte Potential ist vor allem bei chronisch Kranken zu sehen, da diese einen geringen Teil des Versichertenbestandes ausmachen, aber gleichzeitig einen hohen Anteil an den gesamten Leistungsausgaben haben.[29] In den USA und zunehmend auch in Deutschland werden diese Versicherte sog. Disease- und Case-Management -Programmen zugeordnet. Unter Disease- Management wird allgemein die „integrierte Versorgung chronisch Kranker verstanden, welche zum Ziel hat, auf der Grundlage von Behandlungsleitlinien die Qualität der Versorgung und deren Kosteneffektivität kontinuierlich zu verbessern.“[30] Die Behandlungsleitlinien beziehen sich dabei auf einzelne Krankheiten, die häufig auftreten und bei denen eine standardisierte Behandlung möglich ist. Case-Management umfasst in Abgrenzung dazu die individuelle Versorgung von Patienten mit hohen, aber unterschiedlichen gesundheitlichen Beschwerden und findet zumeist bei multimorbiden[31] Versicherten Anwendung, bei denen „wegen einer komplizierten und kostenintensiven Behandlung eine individuelle Betreuung gerechtfertigt erscheint.“[32]
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 3: Risikobewertungspyramide
Quelle: Eigene Darstellung in Anlehnung an ACG (2005b), S. 171.
Abbildung 3 zeigt die Einordnung von Disease- und Case-Managment unter Berücksichtigung der Eigenschaften der Versicherungspopulation. Durch den pyramidenartigen Aufbau der Versichertenpopulation wird deutlich, dass lediglich eine verhältnismäßig geringe Zahl Versicherter von Disease-Management und eine noch geringere Zahl von Case-Management - Programmen angesprochen werden. Die Kostenverteilung der Leistungsausgaben über die Versicherten (vgl. Abb. 2) zeigt jedoch, dass gerade diese geringe Anzahl von Hoch-Risikopatienten einen wesentlichen Anteil an den Gesamtausgaben verursacht. Dieser Teil des Versichertenkollektives kann daher auch als „Schlüsselpopulation“[33] bezeichnet werden.[34] Um zu einer effektiven Intervention mittels Disease- oder Case-Management zu gelangen, ist es wichtig, gerade diese Schlüsselpopulation verlässlich identifizieren zu können.[35] Damit Disease- und Case-Management proaktiv betrieben werden können, muss zudem eine zukunftsgerichtete Betrachtung erfolgen, d. h. dass Augenmerk muss auf jenen Versicherten liegen, von welchen zu erwarten ist, dass ihr zukünftiges Inanspruchnahmeverhalten von medizinischen Leistungen hohe Kosten verursachen wird.[36] Um diese Informationen zu erhalten, ist es notwendig, den Versichertenbestand einem analytischen Prozess zu unterziehen. Innerhalb dieses Prozesses sind das zukünftige Risiko sowie die in diesem Zusammenhang zu erwartenden Kosten zu quantifizieren. Insbesondere hinsichtlich des morbiditätsorientierten Risikostruktur- ausgleiches, welcher den Ausgleichsbedarf erstmals unter Einbezug direkter Morbiditätsindikatoren und nicht auf Basis von Alter, Geschlecht und Bezug / Nichtbezug einer Erwerbsunfähigkeitsrente misst, sind „günstige Kranke“ von Vorteil, da sich der Ausgleichsbedarf der Krankenkasse nach der bei den Versicherten auftretenden Morbidität bestimmt. Die Frage ist, ob es einer Kasse gelingt, darauf hinzuwirken, dass ihre Versicherten unterhalb der im Zuge des Ausgleichsverfahrens ermittelten standardisierten Leistungsausgaben behandelt werden.
Bei Predictive Modeling handelt es sich eine vorausschauende, zukunftsbezogene Betrachtung mit dem Ziel Prognosen über die zukünftigen Werte von Daten zu treffen. Grundlage für Prognosen sind die Daten einer Periode t = 1, mit Hilfe derer der Zustand in t = 2 prognostiziert werden soll. Im Rahmen der Modellierung (Modeling) wird versucht, durch Vorgabe einer Reihe von Prädiktoren xi ein Modell für die Beschreibung einer oder mehrerer Zielvariablen yj zu finden und einen funktionalen Zusammenhang der Art[Abbildung in dieser Leseprobe nicht enthalten] herzustellen, wobei 0 die Modellparameter beschreibt. Die dazu entwickelten Modelle werden als Predictive Models bezeichnet.
In Bezug auf das Gesundheitswesen kann Predictive Modeling nach Weiner wie folgt definiert werden: „Predictive modeling applies data on what is currently known about persons to identify whether they have a high medical need and are “at risk” for above average future medical service utilization.”[37]
Eine ähnliche Definition verwenden Ridinger / Rice: „Predictive modeling is a process of analyzing data to prospectively identify specific individuals who are at high-risk of having adverse outcomes in the future.”[38]
Aus beiden Definitionen wird deutlich, dass ein wesentliches Ziel von Predictive Modeling die Identifikation von Versicherten ist, welche mit dem Risiko behaftet sind, zukünftig hohe Leistungsausgaben zu verursachen. Es wird daher auch vom „predictive modeling for high risk identification“[39] gesprochen. Die Identifikation von Hoch- Risikopatienten ist jedoch nur eines, wenngleich auch das wichtigste, von mehreren Predictive Modeling - Zielen. Im Folgenden soll Predictive Modeling daher allgemeiner als „morbiditätsorientierte Analyse des Versichertenbestandes zur Prognose der zukünftigen Versichertenbestandsrisiken und des damit einhergehenden Ressourcen- bedarfes“ verstanden werden.
Die Abgrenzung von Predictive Modeling zu nahestehenden Disziplinen wird oftmals nur unscharf vollzogen. Dies betrifft insbesondere die Abgrenzung zu Analysen auf Basis der Ausgaben vergangener Abrechnungsperioden. Die Unterschiede der Ansätze werden im nächsten Abschnitt erörtert und das Begriffsverständnis für Predictive Modeling auf diesem Weg weiter konkretisiert.
Predictive Modeling löst sich von dem Ansatz sog. Prior-Expense Modelle,[40] welche zukünftige Ausgaben eines Versicherten allein durch die Analyse der Ausgaben eines früheren Jahres ableiten. Ziel von Predictive Modeling ist es vielmehr, unter Verwendung von Morbiditätsdaten wie Diagnosen oder Arzneimittelverordnungen, Versicherte hinsichtlich ihres Risikos einzuschätzen und davon ausgehend die zukünftigen Ausgaben eines Versicherten abzuleiten. Damit sollen im Unterschied zu Prior-Expense - Analysen auch jene Versicherte erkannt werden, welche in der Vergangenheit keine hohen Ausgaben verursacht haben, jedoch zukünftig hohe Ausgaben verursachen könnten.[41]
Ein weiterer Nachteil einer vergangenheitsbezogenen, kostenzentrierten Betrachtung im Sinne der Prior-Expense Modelle ist, dass Versicherte, die in der Vergangenheit hohe Ausgaben verursacht haben, in eine Phase überwechseln, in welcher sie nur noch geringe Ausgaben verursachen werden. Diese Entwicklung wird oftmals vor dem Hintergrund des statistischen Phänomens der Regression zum Mittelwert umschrieben.[42] Die hohen Ausgaben im ersten Jahr tendieren im nachfolgenden Jahr in Richtung des Mittelwertes, da das akute Stadium der Krankheit, bspw. in Form eines Krankenhausaufenthaltes, bereits durchlaufen wurde.[43] Predictive Models durchbrechen dieses Problem, indem sie auf Ebene der Morbiditätsindikatoren entscheiden, ob bspw. eine Diagnose, die in der Basisperiode gestellt wurde, mit nennenswerten Ausgaben in der Folgeperiode einhergehen wird.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 4: Identifikation von Hoch-Risikopatienten
Quelle: Eigene Darstellung in Anlehnung an ACG (2005), S. 123.
Abbildung 4 verdeutlicht die Unterscheidung von Prior-Expense Models und Predictive Models mit Hilfe des Venn-Diagramms. Die linke Ellipse zeigt jene Versicherte, bei denen aufgrund hoher Leistungsausgaben im Basisjahr entsprechend einer Prior- Expense - Analyse von einem hohen Risiko im Prognosejahr auszugehen ist. Die rechte Ellipse zeigt die durch den Einsatz von Predictive Modeling erfassten Versicherten, von welchen im Prognosejahr ein zu erwartendes hohes Leistungsrisiko ausgeht. Im Bereich der Überschneidung beider Ellipsen (Fläche C+E) befinden sich die Versicherten, von denen zu erwarten ist, dass sie sowohl aktuell als auch zukünftig hohe Leistungs- ausgaben verursachen werden. Versicherte, die allein aufgrund von Morbiditäts- indikatoren der Vergangenheit nicht erfasst werden, für die mit Hilfe von Predictive Modeling jedoch ein hohes Leistungsrisiko prognostiziert wird, befinden sich im Bereich der Fläche G+F. Der Vorteil durch den Einsatz von Predictive Modeling gegenüber Prior-Expense - Analysen wird jedoch erst dann deutlich, wenn die im zweiten Jahr tatsächlich angefallenen Ausgaben mit in die Betrachtung aufgenommen werden und entspricht der Fläche G-D-E. Eine vergleichende Studie zwischen Prior- Cost Models[44] und Diagnose-basierten Predictive Models von Zhao et al.[45] bestätigt die Vorteile der morbiditätsorientierten Betrachtung. Predictive Models wiesen im Vergleich zum Prior-Cost Model nach den Ergebnissen der Studie eine höhere Erklärungskraft auf.[46]
Die Einsatzmöglichkeiten von Predictive Modeling zum Management der Leistungsrisiken werden, zunächst ungeachtet der technischen Möglichkeiten von Predictive Modeling - Systemen,[47] durch die Einflussnahmebereiche der Krankenkasse determiniert. Der Einflussnahmebereich beschreibt den Bereich, in welchen die Krankenkasse eine direkte Möglichkeit zur Einflussnahme auf die von ihr zu tragenden Leistungsrisiken hat. Zu den wesentlichen Einflussnahmebereichen der Krankenkasse können die Bereiche Leistung, Vertrag und Vertrieb gezählt werden.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 5: Einsatzmöglichkeiten von Predictive Modeling Quelle: Eigene Darstellung.
Innerhalb der Einflussnahmebereiche sind die Einsatzmöglichkeiten von Predictive Modeling zu bestimmen, welche die konkreten Aktivitäten zum Management der Leistungsrisiken unterstützen (vgl. Abb. 5). Der Grad der technischen Unterstützung durch das Predictive Modeling - System reicht dabei von der Bereitstellung von Daten und darauf aufbauender Analyse über die Auswertung der Daten durch das Predictive Modeling - System selbst, bis hin zur systemgestützten Einleitung und Überwachung von Steuerungsmaßnahmen zur Reduktion der Leistungsrisiken.
Als häufigste Anwendung für Predictive Modeling wird die Identifikation von zukünftigen Hochkosten-Patienten, welche von Disease- oder Case-Management Programmen profitieren können, genannt.[48] Die mittels Predictive Modeling prognostizierten Leistungsausgaben dienen in diesem Kontext dazu, die Versicherten zu identifizieren, welche am meisten von diesen Programmen profitieren können.[49] Im US-amerikanischen Raum werden mittlerweile Best Practice - Ansätze[50] diskutiert,
welche den Einsatz von Predictive Modeling zur Unterstützung von Case- und Disease-Management Programmen beschreiben. Üblicherweise sehen diese Ansätze vor, verschiedene Interventionslevels in Abhängigkeit der Höhe des geschätzten Risikos und der erwarteten Leistungsausgaben der Versicherten einzuführen. Versicherte mit relativ geringem Risiko werden einem geringen Interventionslevel zugeordnet und erhalten bspw. ein Informationsschreiben per Post, in dem sie z. B. auf Behandlungs- programme hingewiesen werden und dazu nähere Informationen einholen können.[51] In höheren Interventionslevels werden Versicherte direkt durch den zuständigen Sachbearbeiter per Telefon kontaktiert.[52] Ziel dieses Vorgehens ist es, auf eine Verhaltensänderung des Versicherten hinzuwirken. Im Ergebnis kann der hierüber erzielte, schrittweise Zuwachs von prospektiv identifizierten, tatsächlichen zukünftigen Hochrisiko-Versicherten zu signifikanten Einsparungen führen.[53] Der Einsatz integrierter Predictive Modeling - Systeme ermöglicht es darüber hinaus nicht nur Interventionsbedarf frühzeitig zu erkennen, sondern den gesamten Behandlungsprozess im Sinne einer „patientenzentrierten Wertschöpfungskette“[54] abzubilden und zu steuern. Dem Predictive Modeling - System kommt dabei die Aufgabe zu, den Interventionsbedarf anzuzeigen, geeignete Maßnahmen vorzuschlagen und den Behandlungserfolg zu überwachen.[55] Es ist jedoch zu berücksichtigen, dass die Health Plans oder HMOs in den USA aktiver als deutsche Krankenkassen in das Versorgungsgeschehen eingebunden sind und in Folge dessen auf eine gute Datengrundlage zurückgreifen können.[56]
Im Bereich Vertrag gilt es Leistungstarife mit Anbietern auszuhandeln sowie durch entsprechendes Vertragsmanagement Kostensparanreize bei Leistungsanbietern und Versicherten zu setzen. Wünschenswert sind bspw. statistische Prognosedaten, die für die Vertragsverhandlung mit Leistungsanbietern verwendet werden können sowie ein Benchmarking der Leistungserbringer bei entsprechender IT-Unterstützung.[57] Prognosedaten werden durch Predictive Modeling in Form der Leistungsausgaben bereitgestellt, wobei diese nach verschiedenen Merkmalen analysiert werden können. Ein auf Predictive Modeling aufbauender Vergleich der Anbietereffizienz zählt unter dem Begriff Provider Profiling ebenfalls zu den etablierten Anwendungen von Predictive Modeling wie die morbiditätsorientierte Vergütung der Leistungserbringer (Provider Payment).[58] Sowohl das Provider Profiling als auch das Provider Payment wird i. d. R. durch die Softwarefunktionalitäten der Predictive Modeling - Systeme unterstützt.
Der Vertriebsbereich kann durch das Predictive Modeling - System bei der Auswahl der anzusprechenden Zielgruppen unterstützt werden. Lassen sich aus den mittels Predictive Modeling gewonnenen Analysedaten Aussagen über Merkmale gewinnen, die gute und schlechte Risken kennzeichnen, so kann die Krankenkasse ihre Vertriebsaktivitäten entsprechend ausrichten. Versicherte mit günstigen Risikoprofilen sind gezielt zu werben oder im Fall der Kündigung durch den Versicherten mit Rückholaktionen zum Verbleib in der Krankenkasse zu bewegen. Ein gutes Risiko ist in der GKV jedoch nicht rein ausgabenseitig zu erfassen. Grundsätzlich ist auch die Einnahmeseite zu berücksichtigen, da die Krankenkassenbeiträge in der GKV nicht nach dem individuellen Risiko des Versicherten, sondern prozentual an der Höhe des Bruttoeinkommens des Versicherten gemessen werden. Zur Beurteilung, ob von einem Versicherten negative Deckungsbeiträge ausgehen, müssten also Einnahme- und Ausgabenseite berücksichtigt werden.
[...]
[1] Vgl. Nicht öffentl. Verf. (2006), S. 3.
[2] Nicht öffentl. Verf. (2006), S. 3.
[3] Vgl. Nicht öffentl. Verf. (2006), S. 3.
[4] Zu Deutsch: prädiktive Modellierung.
[5] Vgl. Elsner, C. et al. (2004), S. 1724.
[6] Der Einsatz von Predictive Models im morbiditätsorientierten Risikostrukturausgleich wurde im Rahmen der IGES/Lauterbach/Wasem-Studie analysiert. Vgl. IGES et al. (2004a).
[7] Vgl. Stillfried, D. Graf v. (2006).
[8] Vgl. Reschke, P. / Sehlen, S. (2005), S. 19; ACG (2007).
[9] Diese Unterschiede betreffen sowohl die Informations- und Abrechnungsprozesse der Krankenkassen als auch die Steuerungsmöglichkeit der Leistungsrisiken, die für gesetzliche Krankenkassen durch das 5.
[10] Zu den wichtigsten Leistungsarten zählen: Krankenhausbehandlung, ärztliche Behandlung und Arzneien.
[11] Als Leistungserbringer können an dieser Stelle u. a. Vertragsärzte, Krankenhäuser und Rehabilitationseinrichtungen genannt werden.
[12] Vgl. Finke, R. (2005), S. 16.
[13] Beck, K. (2004), S. 23.
[14] Vgl. Erben, R. F. / Romeike, F. (2002), S. 3.
[15] Vgl. Beck, K. (2004).
[16] Vgl. Beck, K. (2004), S. 23.
[17] Vgl. hierzu Abschnitt 2.1.3.
[18] Vgl. Wikipedia (2007a).
[19] Vgl. Reschke, P. / Sehlen, S. (2005), S. 10.
[20] Vgl. § 268 Abs. 1 Nr. 1 SGB V.
[21] Vgl. IGES et al. (2004a), S. 177.
[22] Die Werte beziehen sich auf den Anteil an den Gesamtausgaben. Vgl. auch Abb. 2.
[23] Vgl. hierzu insbesondere Gliederungspunkt 3.2.2.1.
[24] Vgl. Zaho, Y. et al. (2003), S. 389-397.
[25] Vgl. Zaho, Y. et al. (2003), S. 392.
[26] Die Versicherungspflicht ist in § 5 SGB V definiert.
[27] Die Berechtigung zur Mitgliedschaft in der GKV regelt § 9 SGB V.
[28] Vgl. Wasem, J. et al. (2005), S. 8.
[29] Vgl. Axelrod, R. C. / Vogel, D. (2003), S. 784.
[30] Greiner, W. (2005), S. 21.
[31] Multimorbide weisen die Eigenschaften mehrerer Krankheitsbilder auf. Es wird auch von Komorbidität gesprochen, da eine Krankheit von einer oder mehreren Krankheiten begleitet wird.
[32] Greiner, W. (2004), S. 35.
[33] Calhoun, J. et al. (2005), S. 185.
[34] Vgl. Calhoun, J. et al. (2005), S. 185.
[35] Vgl. Cousins, M. S. et al. (2002), S. 157.
[36] Vgl. Elsner, C. et al. (2004), S. 1724.
[37] ACG (2005), S. 155.
[38] Ridinger, M. H. T. / Rice, J. J. (2000), S. 10.
[39] Weiner, J. P. (2003), S. 8.
[40] In der Literatur werden diese Modelle zumeist als Prior-Cost Modell bezeichnet. In der hier verwendeten Terminologie ist jedoch von Prior-Expense Modellen zu sprechen, da (Leistungs-) Ausgaben und nicht Kosten betrachtet werden.
[41] Vgl. Ridinger, M. H. T. / Rice, J. J. (2000), S. 10 f.
[42] Vgl. Cumming, R. B. et al. (2002), S. 14.
[43] Vgl. ACG (2005), S. 116; Cumming, R. B. et al. (2002), S. 14.
[44] In diesem Zusammenhang ist von Prior-Cost Modellen zu sprechen, da Zaho et al. in ihrer Untersuchung die Kosten als zu erklärende Größe wählten.
[45] Vgl. Zaho, Y. et al. (2003), S. 389-397.
[46] Getestet wurden ein Prior-Cost-Modell, ein Diagnosen-basiertes Predictive Model sowie ein Combo- Modell aus Prior-Cost und Diagnosen-basierten Predictive Model. Das Combo-Model wies mit einem R2 von 20,9% die höchste Erklärungskraft auf, gefolgt vom Diagnosen-basierten Predictive Model (R2 = 15,6%) und dem Prior-Cost Model (R2 = 11,4%). Vgl. Zaho, Y. et al. (2003), S. 392.
[47] Unter einem Predictive Modeling System soll hier die Kombination aus einem Predictive Model und der dazugehörigen Predictive Modeling Software verstanden werden.
[48] Vgl. Cousins, M. S. et al. (2002), S. 157-167; Elsner, C. et al. (2004), S. 1724-1726; Muney, A. M.
(2004), S. 46; Paddison, N. V. (2000), S. 14-17; Ridinger, M. H. T. / Rice, J. J. (2000), S. 10-12.
[49] Vgl. Paddison, N. V. (2000), S. 14.
[50] Vgl. z. B. Muney, A. M. (2004), S. 46 f. zum „Oxford Best Practice Program”.
[51] Vgl. Calhoun, J. et al. (2005), S. 187.
[52] Vgl. Benko, L. B. (2004), S. 26; Calhoun, J. et al. (2005), S. 187; Cousins, M. S. et al. (2002), S. 158.
[53] Vgl. Ridinger, M. H. T. / Rice, J. J. (2000), S. 11.
[54] Vgl. Elsner, C. et al. (2004), S. 1726.
[55] Vgl. Elsner, C. et al. (2004), S. 1726.
[56] Vgl. Elsner, C. et al. (2004), S. 1724.
[57] Vgl. Wähling, S. et al. (1999), S. 59.
[58] Vgl. Hu, G. / Lesneski, E. (2004), S. 153.
