Har du problemer med å plukke riktig helseforsikringsplan? La en algoritme bestemme

ibm watson

Et sentralt mål for Affordable Care Act (ACA) var å redusere helsekostnadene ved å gi forbrukerne mer valg over deres forsikringsselskap.

Økonomisk teori antyder at når forbrukere tar informerte og aktive valg i et konkurransedyktig marked, reagerer bedrifter ved å senke prisene og forbedre kvaliteten på tilbudene sine.

Men teorien til side, empirisk forskning viser forbrukerne Faktisk oppfører seg ikke i praksis, særlig i komplekse markeder som helseforsikring.

Denne virkeligheten gjør det mye vanskeligere for regjeringens politikk å effektivt dempe kostnadene for helsevesenet (hvorav det lønner seg) og redusere premiene. Det betyr også at mange individer betaler sannsynligvis mye mer enn de burde på helseforsikring.

Så er det noe vi kan gjøre for å hjelpe folk med å gjøre bedre forsikringsbeslutninger?

I en nyere artikkel Jeg coauthored med andre Berkeley-økonom Jonathan Kolstad, vi vurderte hvordan personlige data kan hjelpe forbrukerne til å gjøre nettopp det, og som et resultat gjør helsemarkedene mer effektive.

Mange alternativer, mye forvirring

Styring av helseprovisjonene - som treffer US $ 3 billioner om året for første gang i 2014 - er fortsatt en særlig høy prioritet for beslutningstakere. Utgifter til vekst avtar under historiske gjennomsnitt rundt tiden ACA ble passert, men har siden akselerert.


Få det siste fra InnerSelf


Føderale og statlige regulatorer utarbeidet ACA-børsene for å oppfordre forsikringsselskaper til å konkurrere om pris og kvalitet, samtidig som forbrukerne tilbyr et bredere spekter av alternativer.

Flere Medicare-markeder, for eksempel Plan D-reseptbelagte legemiddeldekning, gjør det samme, mens selskaper som gir helseforsikring, også i økende grad tilbyr flere alternativer til sine ansatte via privat tilrettelagt utveksling.

Men å gi individer flere alternativer er bare et første skritt. Forskning viser at forbrukerne gjør feil mens de handler aktivt på grunn av mangel på tilgjengelig informasjon, begrenset forståelse av forsikring eller bare det totale besværet med det. Disse vanskelighetene eksisterer om valgene er bare noen få eller flere dusin.

Dette fører forbrukerne til å forlate hundrevis eller tusenvis av dollar på bordet. Det bidrar også til "valgmoment, "Der forbrukerne kan gjøre smarte første valg, men ikke følger opp og aktivt vurderer dem på nytt ettersom ny informasjon kommer frem eller forholdene endres. Det kan også koste dem mye penger over tid.

I undersøkelsen undersøkte vi hvordan vi kan løse disse problemene.

Målrettede forbrukeranbefalinger

En måte innebærer å gi forbrukerne brukerspesifikke plananbefalinger basert på detaljerte data om deres personlige helsebehov og preferanser.

Den personlige informasjonen er basert på en persons forventede helserisiko, økonomisk risiko appetitt og lege preferanser. Disse retningslinjene fremhever de beste alternativene for en gitt forbruker ved å knytte hvert valg med beregninger som forbrukerne lett forstår og bryr seg om, for eksempel deres forventede utgifter i hver plan i det kommende året.

Det brede målet er å utnytte kraften til forbrukerdata og teknologi for å lage effektive anbefalinger på forsikringsmarkeder, som vi allerede ser andre steder. Amazon bruker for eksempel kjøpshistorikken og nettleserdataene for å gi anbefalinger om hvilke tilleggsprodukter du kanskje vil, mens Google behandler store mengder informasjon for å skreddersy tilpassede annonser.

Det har allerede vært noen fremskritt mot å implementere slike forhold i forsikringsmarkeder.

En viktig bekymring er imidlertid at slike retningslinjer er ikke effektive nok. Empirisk bevis antyder at selv om du fører forbrukerne til brønnen med informasjon, kan du ikke nødvendigvis tvinge dem til å drikke.

Smarte standardinnstillinger kan være svaret

Så hvis det ikke er nok for å gi personlige opplysninger og anbefalinger, for å hjelpe forbrukerne til å gjøre bedre valg, kan en mer aggressiv politikk være effektiv?

En vei er gjennom "smart standard", som automatisk plasserer forbrukerne til foretrukne planer basert på brukerspesifikke opplysninger. I stedet for å kreve at folk skal reagere på anbefalinger, er det optimale alternativet valgt for dem.

Disse smarte standardene vil bli nøye målrettet basert på hver enkelt persons egne data, men de vil også være ikke-bindende, slik at forbrukerne kan bytte til et annet alternativ når som helst.

De smarte standardene vi foreslo i vårt papir er basert på detaljerte data om forbruksspesifikke demografi og helsebehov og en modell for helseplanverdien. De smarte standardene vil fungere ved å bruke data som tidligere medisinske krav og demografisk informasjon for å vurdere om det ville være fornuftig å bytte til en annen plan. En økonomisk modell og spesifikke verdier terskler er opprettet i begynnelsen for å styre hvor mye risiko å ta og hvor mye besparelse må oppnås fra en bryter.

Den økonomiske modellen, implementert med en datamaskinalgoritme, ville vurdere økonomiske gevinster, eksponering for risiko i tilfelle en stor medisinsk hendelse og tilgang til de riktige legene.

Hvis de riktige betingelsene er oppfylt (mer eller mindre aggressiv), er forbrukeren vant til en ny plan. Figuren til høyre illustrerer prosessen mer detaljert.

For eksempel, vurder en diabetespasient som er registrert i en plan med en årlig premie på $ 4,000 og tilgang til et bestemt sett med leger. På toppen av premien er pasienten forventet å tilbringe en annen $ 2,000 per år i kostnadsdeling - deduksjoner, kopier for avtaler, resepter, utstyr for å teste blodsukker og andre tjenester - opp til maksimalt $ 8,000.

Den smarte standardalgoritmen ville først vurdere om det var et alternativ i markedet som "meningsfullt ville senke" pasientens årlige utgifter. Hvis terskelen ble satt til $ 1,000, ville algoritmen søke etter et alternativ som forventer at pasienten ville bruke ikke mer enn $ 5,000 i premier og kostnadsdeling.

To nye forhold må også oppfylles: legene pasienten ser måtte være i planens nettverk, og muligheten kunne ikke utsette ham eller henne for mye mer økonomisk risiko (maksimalt for kostnadsdeling). Så hvis den finansielle risikotærskelen ble satt til $ 500, ville den alternative planen måtte maksimere ut til ikke mer enn $ 8,500.

Pasienten ville da bli automatisk registrert i planen, med forventede besparelser på $ 1,000 i året og et verste fall av bare $ 500 i tilleggsutgifter.

Hittil har slike mislighold kun blitt brukt i helseforsikringsmarkeder. Men i andre sammenhenger, som å hjelpe medarbeiderne, velger hvor mye å bidra til pensjonsplaner, har klare standardverdier vist seg bemerkelsesverdig effektiv på å forbedre valgkvaliteten.

Hvis du har en 401 (k) plan på jobben, er det for eksempel en god sjanse for at dette smarte standardsystemet har blitt brukt til å sette deg i den beste planen for din situasjon. Dette fungerer for pensjonsbesparelser nå fordi alternativene er enklere og det er rikelig med data.

Problemer med smarte standardinnstillinger

Så hvorfor bruker vi ikke smarte standard i større grad i helseforsikringsmarkeder akkurat nå?

For det første er politikere og arbeidsgivere sannsynligvis motvillige til å implementere retningslinjer som ser ut til å drive forsikringsvalg på en så kraftig måte. For eksempel, hvis standardinnstillingene er altfor aggressive, kan mange forbrukere automatisk bli innmeldt i planer som gjør dem verre - selv om den gjennomsnittlige personen ville være bedre.

En mulig løsning på dette er at terskelene for automatisk registrering kan settes svært konservativt, slik at bare forbrukere med vesentlige forventede gevinster blir påvirket (selv om dette også vil redusere de potensielle fordelene).

Et mer grunnleggende problem er imidlertid mangelen på data. Dessverre har regulatorer ofte ikke den typen forbruksdata i sanntid om personlige helsefare, forsikringsbruk og demografi som er nødvendig for å effektivt implementere klare standardpolitikker på en presis måte (som det er sant i pensjonsvalg). En grunn er at forsikringsselskaper ofte nekter å dele sine data med regulatorer på grunn av at de er proprietære, og Høyesterett har opprettholdt seg deres holdning.

I slike tilfeller er smarte standardverdier fortsatt mulige, men gir mindre verdi til forbrukerne og må være mer konservative i implementeringen.

Ytterligere hensyn

Det er lite kjent om virkningene av markedskonkurranse når forbruksvalg blir drevet av algoritmer i stedet for en mer frittflytende og naturlig prosess.

For eksempel kan forsikringsselskaper forsøke å systematisk utnytte kjente egenskaper i algoritmen for å presse flere mennesker inn i sine planer (som med annonsører som samhandler med Google)? Eller vil enkeltpersoner ende opp med å være mindre engasjert i prosessen med å velge egen forsikring, noe som betyr at de blir mindre informert om hvilke fordeler de faktisk har og de tilknyttede risikoene?

Å forstå konsekvensene av å la datamaskinalgoritmer gjøre forbrukervalg, vil være avgjørende for å vurdere om implementering av en policy som smarte standard kan fungere for å hjelpe forbrukerne til å gjøre bedre valg med minimal ulemper. Men det vil ikke være mulig før forsikringsselskapene begynner å dele mer detaljerte data med regulatorer.

Om forfatterenDen Conversation

handel benBen Handel, assisterende professor i økonomi, University of California, Berkeley. Hans forskning har studert forbrukerbeslutninger og markedsdesign av helseforsikringsmarkeder, og illustrerer samspillet mellom forbrukerbeslutninger og markedsregulering.

Denne artikkelen ble opprinnelig publisert på Den Conversation. Les opprinnelige artikkelen.

Relatert bok:

{amazonWS: searchindex = Bøker; søkeord = helseforsikring; maxresults = 3}

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

følg InnerSelf på

facebook-ikonettwitter-iconrss-ikonet

Få den siste via e-post

{Emailcloak = off}