داشتن مشکل انتخاب برنامه بیمه بهداشت و درمان مناسب؟ اجازه بدهید یک الگوریتم تصمیم بگیرد

ibm واتسون

یکی از اهداف کلیدی قانون مراقبت مقرون به صرفه (ACA) کاهش هزینه های مراقبت های بهداشتی بود که به وسیله دادن مصرف کنندگان به گزینه های بیشتر بر روی بیمه گذار خود.

نظریه اقتصادی پیشنهاد می کند که وقتی مصرف کنندگان انتخاب های آگاهانه و فعال در یک بازار رقابتی را انجام می دهند، شرکت ها با کاهش قیمت ها و بهبود کیفیت پیشنهادات خود پاسخ می دهند.

اما نظریه کنار گذاشته شده تحقیق تجربی نشان می دهد مصرف کنندگان در واقع عمل نمی کند، به خصوص در بازارهای پیچیده مانند بیمه درمانی.

این واقعیت باعث می شود که سیاست های دولت به طور موثر کاهش هزینه های مراقبت های بهداشتی (برخی از آن را پرداخت) و کاهش حق بیمه. این نیز به این معنی است که بسیاری از افراد احتمالا پرداخت بسیار بیشتری نسبت به بیمه درمانی دارند.


آخرین مطالب را از InnerSelf دریافت کنید


بنابراین آیا می توانیم هر کاری را که می توانیم برای کمک به مردم برای تصمیم گیری در مورد بیمه بهتر انجام دهیم، وجود دارد؟

در یک مقاله اخیر من با یکی از همکاران Jonathan Kolstad اقتصاددان برکلی همکاری کردیم، ما بررسی کردیم که چگونه داده های شخصی می توانند به مصرف کنندگان کمک کنند و به همین ترتیب بازارهای بهداشتی را موثرتر می کنند.

گزینه های بسیاری، سردرگمی بسیار

کنترل هزینه های مراقبت های بهداشتی - که برای اولین بار در 3 به یک میلیون دلار در سال رسید، یک اولویت ویژه برای سیاست گذاران است. رشد هزینه ها در مقیاس زمانی پایین تر از زمانی که ACA تصویب شد، کاهش یافته است تسریع شد.

تنظیم کننده های فدرال و ایالتی مبادلات ACA را برای تشویق بیمه گران برای رقابت با قیمت و کیفیت در حالی که مصرف کنندگان طیف گسترده ای از گزینه ها را ارائه می دهند، ایجاد کرده اند.

چندین بازار مدیکر، مانند پوشش داروهای تجویزی برنامه D، همین کار را انجام می دهند، در حالی که شرکت هایی که بیمه درمانی را ارائه می دهند، به طور فزاینده ای گزینه های بیشتری را برای کارکنان خود از طریق خصوصی تبادل تسهیلات را تسهیل می کند.

اما دادن گزینه های بیشتر افراد تنها اولین قدم است. تحقیقات نشان میدهد که مصرف کنندگان به دلیل فقدان اطلاعات موجود در هنگام خرید فعالانه اشتباه می کنند، فهم محدود از بیمه یا فقط کل نا امیدی از آن. این مشکلات وجود دارد که آیا انتخاب ها فقط چند یا چند ده است.

این باعث می شود مصرف کنندگان ترک کنند صدها یا حتی هزاران دلار روی میز. همچنین به "inertia انتخابی، "که در آن مصرف کنندگان ممکن است انتخاب اولیه هوشمندانه را انجام دهند، اما نمی توانند پیگیری و فعالانه آنها را بازنویسی کنند، زیرا اطلاعات جدید ظاهر می شوند یا شرایط تغییر می کنند. این همچنین می تواند هزینه های زیادی را در طول زمان به خرج دهد.

در تحقیق ما بررسی کردیم که چگونه میتوانیم این مشکلات را حل کنیم.

توصیه های مصرف کننده هدفمند

یکی از راه های ارائه خدمات به مشتریان توصیه های خاص برنامه های مبتنی بر اطلاعات دقیق در مورد نیازهای شخصی و مراقبت های شخصی بهداشتی خود است.

اطلاعات شخصی براساس خطرات بهداشت فردی مورد انتظار، اشتیاق ریسک مالی و ترجیحات پزشک است. این سیاست ها بهترین گزینه ها را برای یک مصرف کننده مشخص می کند، با همگرایی هر انتخاب با معیارهایی که مصرف کنندگان به آسانی درک و مراقبت می کنند، مانند هزینه های مورد انتظار خود در هر برنامه در سال آینده.

هدف وسیع این است که قدرت داده های مصرف کننده و تکنولوژی را برای تهیه توصیه های موثر در بازار بیمه، مانند آنچه که ما در جای دیگر می بینیم، به کار گیریم. به عنوان مثال، آمازون از تاریخچه خرید و داده های مرور خود برای تهیه توصیه هایی در مورد محصولات اضافی که ممکن است شما را دوست داشته باشد، در حالی که Google مقدار زیادی اطلاعات را برای سفارشی کردن تبلیغات پردازش می کند.

در حال حاضر پیشرفت هایی در جهت اجرای این نوع شرایط در بازارهای بیمه صورت گرفته است.

با این وجود نگرانی کلیدی این است که چنین سیاستهایی به اندازه کافی موثر نیستند. شواهد تجربی نشان می دهد حتی اگر شما مصرف کنندگان را به خوبی از اطلاعات هدایت کنید، نمی توانید لزوما آنها را مجبور نکنید.

پیش فرض های هوشمند ممکن است جواب باشد

بنابراین اگر ارائه اطلاعات و توصیه های شخصی به اندازه کافی برای کمک به مصرف کنندگان انتخاب های بهتر نباشد، آیا یک سیاست تهاجمی مؤثرتر می تواند باشد؟

یکی از راه های "پیش فرض هوشمند" است که به طور خودکار مصرف کنندگان را به برنامه های ترجیحی بر اساس اطلاعات خاص کاربر می دهد. به جای اینکه مردم به توصیه ها عمل کنند، گزینه مطلوب برای آنها انتخاب شده است.

این پیشفرضهای هوشمند با توجه به دادههای شخصی خود، به دقت هدف قرار میگیرند، اما آنها نیز غیرقابل اجتناب هستند، به این ترتیب مصرفکنندگان میتوانند در هر زمان به گزینه دیگری بپردازند.

پیش فرض های هوشمند ما در مقاله ما پیشنهاد شده است بر اساس اطلاعات دقیق در مورد جمعیت شناسی مصرف کننده و نیازهای بهداشتی و یک مدل ارزش برنامه های بهداشتی. پیش فرض های هوشمند با استفاده از داده هایی مانند ادعاهای پزشکی گذشته و اطلاعات جمعیت شناختی کار می کند تا ارزیابی کند که آیا تغییر در برنامه دیگری ممکن است. یک مدل اقتصادی و آستانه ارزش خاص در ابتدا تنظیم می شود تا میزان ریسک و چقدر پس انداز از سوئیچ بدست آید.

این مدل اقتصادی که با الگوریتم کامپیوتری اجرا می شود، دستاوردهای مالی، قرار گرفتن در معرض خطر در صورت وقوع یک حادثه مهم پزشکی و دسترسی به پزشکان مناسب را در نظر می گیرد.

اگر شرایط مناسب (بیشتر یا کمتر تهاجمی) برآورده شود، مصرف کننده به یک طرح جدید پیش بینی نشده است. شکل در سمت راست این پروسه را به صورت دقیق تر نشان می دهد.

به عنوان مثال، یک بیمار دیابتی را که در یک برنامه با حق بیمه سالانه $ 4,000 ثبت نام کرده و به یک مجموعه خاص از پزشکان دسترسی داشته باشید، در نظر بگیرید. در بالای حق بیمه، بیمار است پیش بینی شده برای صرف یک 2,000 دیگر در سال در اشتراک هزینه - deductibles، کپی برای قرار ملاقات ها، نسخه ها، تجهیزات برای آزمایش قند خون و سایر خدمات - تا حداکثر $ 8,000.

الگوریتم پیش فرض هوش ابتدا باید در نظر بگیرد که آیا در بازار یک جایگزین وجود دارد که هزینه های سالیانه بیمار را به طور معناداری کاهش می دهد. اگر آستانه در $ 1,000 تنظیم شود، الگوریتم گزینه ای را انتخاب می کند که پیش بینی می کند بیمار بیش از $ 5,000 را در حق بیمه و به اشتراک گذاری هزینه صرف نمی کند.

دو شرایط دیگر نیز باید رعایت شود: پزشکانی که بیمار می بینند باید در شبکه برنامه باشند و این گزینه نمی تواند او را به خطر بیش از حد مالی بیشتر (حداکثر برای به اشتراک گذاری هزینه) قرار دهد. بنابراین اگر آستانه ریسک مالی در $ 500 تعیین شود، برنامه جایگزین باید حداکثر تا حداکثر $ 8,500 باشد.

پس از آن بیمار به طور خودکار در برنامه ثبت نام می شود، با پیش بینی پس انداز از $ 1,000 در سال و بدترین سناریوی تنها $ 500 در هزینه های اضافی.

تا کنون چنین پیش فرض ها تنها به میزان کم در بازارهای بیمه درمانی مورد استفاده قرار گرفته است. اما در زمینه های دیگر، از قبیل کمک به کارکنان برای تعیین میزان کمک به برنامه های بازنشستگی، پیش فرض های هوشمند ثابت شده است قابل ملاحظه ای موثر است در بهبود کیفیت انتخاب.

برای مثال، اگر شما یک برنامه 401 (k) دارید، شانس خوبی برای این سیستم پیش فرض هوشمند وجود دارد که شما را در بهترین حالت برای موقعیت شما قرار می دهد. این کار برای پس انداز بازنشستگی اکنون کار می کند، زیرا گزینه ها ساده تر هستند و مقدار زیادی از داده ها وجود دارد.

مشکلات پیش فرض هوشمندانه

پس چرا ما در حال حاضر از پیش فرض های هوشمند در بازار بیمه های درمانی استفاده نمی کنیم؟

برای شروع، سیاستگذاران و کارفرمایان به احتمال زیاد تمایلی به اجرای سیاستهایی ندارند که ظاهرا انتخابهای بیمه را به نحوی قوی انجام دهند. به عنوان مثال، اگر تنظیمات پیش فرض بیش از حد تهاجمی باشد، بسیاری از مصرف کنندگان می توانند به طور خودکار در برنامه هایی قرار بگیرند که سبب بدتر شدن آنها می شود - حتی اگر فرد به طور متوسط ​​بهتر شود.

یک راه حل ممکن برای این است که آستانه ثبت نام خودکار می تواند بسیار محافظه کارانه تنظیم شود، به طوری که فقط مصرف کنندگان با درآمد قابل توجهی مورد تأثیر قرار می گیرند (هرچند این نیز منافع بالقوه را کاهش می دهد).

با این حال، مشکل اساسی این است که کمبود اطلاعات است. متاسفانه، تنظیم کننده ها اغلب اطلاعات مصرف کننده در زمان واقعی را در مورد خطرات بهداشت شخصی، استفاده از بیمه و جمعیت شناسایی لازم برای به طور موثر سیاست های پیشگیرانه هوشمندانه به شیوه ای دقیق اجرا نمی کنند (همانطور که در انتخابات بازنشستگی صادق است). یکی از دلایل این است که شرکت های بیمه اغلب از به اشتراک گذاری اطلاعات خود با تنظیم کننده ها بر اساس این که اختصاصی هستند، و دادگاه عالی تایید کرده است موضع آنها

در چنین مواردی، پیش فرض های هوشمند هنوز امکان پذیر است، اما برای مصرف کنندگان کمتری به ارمغان می آورد و باید در اجرای آنها محافظه کارتر باشد.

ملاحظات اضافی

در مورد اثرات رقابت در بازار، هنگامی که گزینه های مصرف کننده توسط الگوریتم ها به جای روند فرآیند آزاد و جریان طبیعی به کار گرفته می شود، کم است.

برای مثال، بیمه گران می توانند به طور سیستماتیک از مشخصه های شناخته شده الگوریتم بهره ببرند تا افراد بیشتری را در برنامه های خود بکشند (همانطور که با تبلیغ کنندگان در تعامل با گوگل)؟ یا افرادی که درگیر انتخاب بیمه خود می شوند کمتر درگیر می شوند، به این معنی که آنها کمتر در مورد مزایایی که در واقع دارند و خطرات مرتبط با آن دارند، کمتر مطلع هستند.

درک عواقب استفاده از الگوریتم های کامپیوتری، انتخاب های مصرف کننده در تعیین ارزیابی اینکه آیا پیاده سازی یک سیاست مانند پیش فرض های هوشمند می تواند در کمک به مصرف کنندگان انتخاب های بهتر را با حداقل ناهنجاری ها انجام دهد، بسیار مهم است. اما تا زمانی که بیمه گران شروع به به اشتراک گذاشتن اطلاعات دقیق تر با تنظیم کننده ها نکنند، امکان پذیر نخواهد بود.

درباره نویسندهگفتگو

دست بنبن هادل، استاد اقتصاد، دانشگاه کالیفرنیا، برکلی. تحقیق او تصمیم گیری مصرف کننده و طراحی بازار بیمه های درمانی را مورد بررسی قرار داده و ارتباط بین تصمیم گیری مصرف کننده و تنظیم بازار را نشان می دهد.

این مقاله در اصل در تاریخ منتشر شد گفتگو. دفعات بازدید: مقاله.

کتاب های مرتبط:

{amazonWS: searchindex = کتابها؛ keywords = بیمه درمانی؛ maxresults = 3}

enafarZH-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

به دنبال InnerSelf در

فیس بوک، آیکونتوییتر آیکونrss-icon

دریافت آخرین با ایمیل

{emailcloak = خاموش}

بیشترین مطلب خوانده شده