जर्नल ऑफ़ क्लिनिकल रिसर्च एंड बायोएथिक्स

अमूर्त

जवाबदेह देखभाल संगठनों (ACO) जोखिम समायोजन मॉडल को नया रूप देने के लिए डेटा-संचालित दृष्टिकोण

युबिन पार्क, केविन बुकान, जेसन पिक्कोन, ब्रैंडन सिम

जवाबदेह देखभाल संगठनों (ACO) में स्वास्थ्य सेवा प्रदाताओं के समूह शामिल होते हैं, जो स्वेच्छा से एक साथ मिलकर संरेखित लाभार्थियों को समन्वित, उच्च-गुणवत्ता वाली देखभाल प्रदान करते हैं। कई ACO, जैसे कि मेडिकेयर साझा बचत कार्यक्रम और ACO REACH कार्यक्रम, वैकल्पिक भुगतान मॉडल में भाग ले सकते हैं जो प्रचलित शुल्क-सेवा मॉडल से भिन्न हैं। इन वैकल्पिक भुगतान मॉडल में, प्रदाता और भुगतानकर्ता ACO के वित्तीय प्रोत्साहनों को देखभाल की कुल लागत को कम करने और देखभाल की गुणवत्ता में सुधार करने के दोहरे उद्देश्यों के साथ संरेखित करने के लिए वित्तीय जोखिम साझा करते हैं। दूसरे शब्दों में, ACO अपने रोगियों को स्वस्थ रखकर और अनावश्यक अस्पताल में भर्ती होने से रोककर लाभ कमा सकते हैं। हालाँकि, इस वित्तीय संरचना को इच्छित रूप से काम करने के लिए, लाभार्थी के जोखिम के अनुपात में प्रतिपूर्ति को बदलने के लिए जोखिम समायोजन (RA) मॉडल की आवश्यकता होती है; अन्यथा, ACO केवल स्वस्थ रोगियों को नामांकित कर सकते हैं, अर्थात प्रतिकूल चयन। जबकि अधिकांश ACO इस कारण से RA मॉडल अपनाते हैं, मूल RA कार्यप्रणाली पिछले कई दशकों से ज्यादातर एक जैसी ही रही है। परिणामस्वरूप, कुछ ACO प्रतिभागियों ने सिस्टम को "खेलने" के तरीके खोज लिए हैं: वे जो जोखिम उठाते हैं उसके लिए असंगत भुगतान प्राप्त करना। बर्बादी को कम करने के लिए, संघीय सरकार ने विभिन्न पोस्ट-एडजस्टमेंट तंत्र जोड़े हैं, जैसे कि जोखिम-समायोजित बेंचमार्क को ऐतिहासिक खर्च के साथ मिलाना, कोडिंग तीव्रता कारक द्वारा समायोजित करना, जोखिम स्कोर वृद्धि दर को सीमित करना और स्वास्थ्य इक्विटी प्रोत्साहनों को शामिल करना। दुर्भाग्य से, वे तंत्र एक दूसरे के ऊपर गैर-रेखीय और असंतत तरीकों से बनते हैं, जिससे उनके वास्तविक प्रभावों और प्रभावकारिता को अलग करना और उनका मूल्यांकन करना मुश्किल हो जाता है। इस पेपर में, हम डेटा-संचालित दृष्टिकोण के आधार पर RA मॉडल को फिर से बनाने में मदद करने के लिए देश में सबसे सफल ACO में से एक के संचालन से अपने सबक का सारांश देंगे। इसके बाद, हम एक आदर्श RA मॉडल की विशेषताओं को रेखांकित करते हैं। फिर, हम एक नया मॉडल प्रस्तावित करते हैं जो ऐसी आवश्यकताओं को संबोधित करता है, गैर-रेखीय और असंतत स्टेजिंग को शामिल करने वाली बहु-चरणीय प्रक्रिया की आवश्यकता को समाप्त करता है। अंत में, हम इस मॉडल को अपने ACO डेटा पर लागू करके और वर्तमान RA कार्यान्वयन के साथ उनकी तुलना करके प्रयोगात्मक परिणाम प्रदान करते हैं। हमारे प्रयोगात्मक परिणाम दर्शाते हैं कि हमारे डेटा-संचालित दृष्टिकोण आर-स्क्वेर्ड, कमिंग्स पूर्वानुमान माप और माध्य निरपेक्ष पूर्वानुमान त्रुटि में मापे गए बेहतर पूर्वानुमानात्मक प्रदर्शन को प्राप्त कर सकते हैं।