识别风险调整中由多重属性定义的补偿不足群体
应用统计
2021-09-29 v2 计算机与社会
摘要
医疗保健中的风险调整旨在根据成本向保险公司重新分配赔付。然而，已知风险调整公式会低估某些患者群体的成本。这种补偿不足使这些群体对保险公司无利可图，并激励保险公司进行歧视。我们开发了一种用于“群体重要性”的机器学习方法，以识别由多重属性定义的无利可图群体，改进了现有评估的任意性。该程序旨在评估美国医疗保险市场（Marketplaces）以及医疗保险（Medicare）中使用的风险调整公式。我们发现，在市场风险调整公式中有许多先前未识别的、患有多种慢性病的群体被补偿不足，而无慢性病的群体往往在市场中得到过度补偿。当以多重属性定义群体时，补偿不足的幅度大于单一属性。在医疗保险风险调整公式中，未发现复杂群体持续被补偿不足或过度补偿。我们的工作为政策制定者提供了关于医疗保健系统中潜在歧视目标的新信息，以及通往更公平医疗保障的路径。
引用
@article{arxiv.2105.08493,
title = {Identifying Undercompensated Groups Defined By Multiple Attributes in Risk Adjustment},
author = {Anna Zink and Sherri Rose},
journal= {arXiv preprint arXiv:2105.08493},
year = {2021}
}