ibm watson

Een belangrijk doel van de Affordable Care Act (ACA) was om de zorgkosten te verlagen door consumenten meer keuze te geven over hun verzekeraar.

De economische theorie suggereert dat wanneer consumenten geïnformeerde en actieve keuzes maken in een concurrerende markt, bedrijven reageren door prijzen te verlagen en de kwaliteit van hun aanbod te verbeteren.

Maar theorie terzijde, empirisch onderzoek shows consumenten gedragen zich in de praktijk niet zo, vooral niet in complexe markten zoals zorgverzekeringen.

Deze realiteit maakt het voor het overheidsbeleid een stuk moeilijker om de kosten van de gezondheidszorg (waarvan een deel wordt betaald) effectief te beteugelen en de premies te verlagen. Het betekent ook dat veel mensen waarschijnlijk veel meer betalen dan ze zouden moeten aan een ziektekostenverzekering.

Dus kunnen we iets doen om mensen te helpen betere verzekeringsbeslissingen te nemen?


innerlijk abonneren grafisch


In een recente paper Ik was co-auteur met Jonathan Kolstad, een collega-econoom uit Berkeley. We hebben onderzocht hoe gepersonaliseerde gegevens consumenten kunnen helpen precies dat te doen en als gevolg daarvan de gezondheidsmarkten efficiënter kunnen maken.

Veel opties, veel verwarring

Het beheersen van de uitgaven voor gezondheidszorg – die in 3 voor het eerst 2014 biljoen dollar per jaar bedroegen – blijft een bijzonder hoge prioriteit voor beleidsmakers. De groei van de uitgaven vertraagde tot onder de historische gemiddelden rond de tijd dat de ACA werd aangenomen, maar is sindsdien gebleven versneld.

Federale en nationale toezichthouders hebben de ACA-uitwisselingen opgesteld om verzekeraars aan te moedigen om te concurreren op prijs en kwaliteit, terwijl ze consumenten een breder scala aan opties bieden.

Verschillende Medicare-markten, zoals Plan D-geneesmiddelen op recept, doen hetzelfde, terwijl bedrijven die ziektekostenverzekeringen aanbieden hun werknemers ook steeds meer opties bieden via privé gefaciliteerde uitwisselingen.

Maar individuen meer opties geven is slechts een eerste stap. Onderzoek toont aan dat consumenten fouten maken tijdens het actief winkelen vanwege een gebrek aan beschikbare informatie, beperkt begrip van verzekeringen of gewoon de algehele rompslomp ervan. Deze moeilijkheden bestaan, of het nu om enkele of enkele tientallen gaat.

Hierdoor haken consumenten af honderden of zelfs duizenden dollars op tafel. Het draagt ​​ook bij aan “keuze inertie', waarin consumenten in eerste instantie slimme keuzes kunnen maken, maar deze niet opvolgen en actief heroverwegen als er nieuwe informatie naar voren komt of de omstandigheden veranderen. Dat kan ze op termijn ook veel geld kosten.

In ons onderzoek hebben we gekeken hoe we deze problemen zouden kunnen oplossen.

Gerichte consumentenaanbevelingen

Eén manier is om consumenten gebruikersspecifieke planaanbevelingen te geven op basis van gedetailleerde gegevens over hun persoonlijke zorgbehoeften en -voorkeuren.

De gepersonaliseerde informatie is gebaseerd op de verwachte gezondheidsrisico's van een individu, de financiële risicobereidheid en de voorkeuren van artsen. Dit beleid benadrukt de beste opties voor een bepaalde consument door elke keuze te associëren met statistieken die consumenten gemakkelijk begrijpen en waar ze om geven, zoals hun verwachte uitgaven in elk plan in het komende jaar.

Het brede doel is om de kracht van consumentengegevens en -technologie te benutten om effectieve aanbevelingen te doen in verzekeringsmarkten, vergelijkbaar met wat we al elders zien. Amazon gebruikt bijvoorbeeld je aankoopgeschiedenis en browsegegevens om aanbevelingen te doen over welke aanvullende producten je misschien leuk vindt, terwijl Google enorme hoeveelheden informatie verwerkt om advertenties op maat af te stemmen.

Er is al enige vooruitgang geboekt bij het implementeren van dit soort voorwaarden op de verzekeringsmarkten.

Een belangrijk punt van zorg is echter dat dergelijk beleid zijn niet effectief genoeg. Empirisch bewijs suggereert dat zelfs als je consumenten naar de bron van informatie leidt, je ze niet noodzakelijkerwijs kunt dwingen te drinken.

Slimme standaardinstellingen kunnen het antwoord zijn

Dus als het verstrekken van gepersonaliseerde gegevens en aanbevelingen niet voldoende is om consumenten te helpen betere keuzes te maken, zou een agressiever beleid dan effectief kunnen zijn?

Eén manier is via 'slimme standaardinstellingen', die consumenten automatisch in voorkeursplannen plaatsen op basis van gebruikersspecifieke informatie. In plaats van mensen te verplichten om op aanbevelingen te reageren, wordt de optimale optie voor hen geselecteerd.

Deze slimme standaardwaarden zouden zorgvuldig worden gericht op basis van de eigen gegevens van elk individu, maar ze zouden ook niet-bindend zijn, waardoor consumenten op elk moment naar een andere optie kunnen overschakelen.

De slimme standaardinstellingen die we in ons artikel hebben voorgesteld, zijn gebaseerd op gedetailleerde gegevens over consumentspecifieke demografische gegevens en gezondheidsbehoeften en een model van de waarde van het gezondheidsplan. De slimme standaardinstellingen zouden werken door gegevens zoals medische claims uit het verleden en demografische informatie te gebruiken om te beoordelen of het zinvol zou zijn om over te schakelen naar een ander plan. Een economisch model en specifieke waardedrempels worden vanaf het begin opgesteld om te bepalen hoeveel risico er moet worden genomen en hoeveel besparingen er moeten worden behaald met een overstap.

Dat economische model, geïmplementeerd met een computeralgoritme, zou rekening houden met financiële voordelen, blootstelling aan risico's in het geval van een groot medisch incident en toegang tot de juiste artsen.

Als aan de juiste voorwaarden is voldaan (meer of minder agressief), wordt de consument standaard in een nieuw plan geplaatst. De figuur rechts illustreert het proces in meer detail.

Neem bijvoorbeeld een diabetespatiënt die is ingeschreven in een plan met een jaarlijkse premie van $ 4,000 en toegang tot een specifiek aantal artsen. Bovenop de premie staat de patiënt verwacht om nog eens $ 2,000 per jaar aan uit te geven kosten delen - eigen risico, copays voor afspraken, recepten, apparatuur om bloedsuiker te testen en andere diensten - tot een maximum van $ 8,000.

Het slimme standaardalgoritme zou eerst nagaan of er een alternatief op de markt was dat de jaarlijkse uitgaven van de patiënt 'aanzienlijk zou verlagen'. Als de drempel was vastgesteld op $ 1,000, zou het algoritme zoeken naar een optie die verwacht dat de patiënt niet meer dan $ 5,000 aan premies en kostendeling zou uitgeven.

Er moet ook aan twee andere voorwaarden worden voldaan: de artsen die de patiënt bezoekt, moeten in het netwerk van het plan zitten en de optie mag hem of haar niet blootstellen aan te veel extra financieel risico (maximum voor kostendeling). Dus als de financiële risicodrempel zou worden vastgesteld op $ 500, zou het alternatieve plan maximaal $ 8,500 moeten bedragen.

De patiënt wordt dan automatisch ingeschreven in het plan, met een verwachte besparing van $ 1,000 per jaar en in het slechtste geval slechts $ 500 aan extra uitgaven.

Tot nu toe zijn dergelijke defaults slechts spaarzaam gebruikt in de zorgverzekeringsmarkten. Maar in andere contexten, zoals werknemers helpen kiezen hoeveel ze bijdragen aan pensioenregelingen, hebben slimme standaardinstellingen bewezen opmerkelijk effectief bij het verbeteren van de keuzekwaliteit.

Als u bijvoorbeeld een 401 (k) -plan op het werk heeft, is de kans groot dat dit slimme standaardsysteem is gebruikt om u in het beste plan voor uw omstandigheden te plaatsen. Dit werkt nu voor pensioensparen omdat de opties eenvoudiger zijn en er voldoende gegevens zijn.

Problemen met slimme standaardinstellingen

Dus waarom gebruiken we op dit moment slimme standaardinstellingen niet breder in de zorgverzekeringsmarkten?

Om te beginnen zijn beleidsmakers en werkgevers waarschijnlijk terughoudend om beleid te implementeren dat op zo'n krachtige manier verzekeringskeuzes lijkt te sturen. Als de standaardinstellingen bijvoorbeeld te agressief zijn, kunnen veel consumenten automatisch worden ingeschreven voor plannen waardoor ze slechter af zijn – zelfs als de gemiddelde persoon beter af zou zijn.

Een mogelijke oplossing hiervoor is dat de drempels voor automatische inschrijving zeer conservatief kunnen worden vastgesteld, zodat alleen consumenten met substantiële verwachte voordelen worden getroffen (hoewel dit ook de potentiële voordelen zou verminderen).

Een fundamenteler probleem is echter het gebrek aan gegevens. Helaas beschikken regelgevers vaak niet over het soort real-time consumentengegevens over gepersonaliseerde gezondheidsrisico's, verzekeringsgebruik en demografische gegevens die nodig zijn om slim standaardbeleid op een precieze manier effectief te implementeren (zoals het geval is bij pensioenkeuzes). Een van de redenen is dat verzekeringsmaatschappijen vaak weigeren hun gegevens met toezichthouders te delen omdat ze eigendom zijn en de Hoge Raad heeft stand gehouden hun standpunt.

In dergelijke gevallen zijn slimme standaardinstellingen nog steeds mogelijk, maar leveren ze minder waarde op voor de consument en moeten ze conservatiever zijn bij de implementatie ervan.

Aanvullende overwegingen

Er is weinig bekend over de effecten van marktconcurrentie wanneer consumentenkeuzes worden gestuurd door algoritmen in plaats van door een meer vrij stromend en natuurlijk proces.

Kunnen verzekeraars bijvoorbeeld systematisch gebruikmaken van bekende kenmerken van het algoritme om meer mensen aan hun plannen te helpen (zoals bij adverteerders die interactie hebben met Google)? Of zullen individuen uiteindelijk minder betrokken zijn bij het kiezen van hun eigen verzekering, wat betekent dat ze minder goed geïnformeerd zijn over de voordelen die ze daadwerkelijk hebben en de bijbehorende risico's?

Het begrijpen van de gevolgen van het laten maken van consumentenkeuzes door computeralgoritmen zal van cruciaal belang zijn bij het beoordelen of het implementeren van een beleid als slimme standaardinstellingen zou kunnen werken om consumenten te helpen betere keuzes te maken met minimale nadelen. Maar het zal pas mogelijk zijn als verzekeraars meer gedetailleerde gegevens beginnen te delen met toezichthouders.

Over de auteurThe Conversation

handel benBen Handel, assistent-professor economie, University of California, Berkeley. Zijn onderzoek heeft de besluitvorming door consumenten en het marktontwerp van zorgverzekeringsmarkten bestudeerd, en illustreert de wisselwerking tussen besluitvorming door consumenten en marktregulering.

Dit artikel is oorspronkelijk gepubliceerd op The Conversation. Lees de originele artikel.

Verwante Boek:

at InnerSelf Market en Amazon