Journal de recherche clinique et de bioéthique

Abstrait

Une approche basée sur les données pour réorganiser le modèle d'ajustement des risques des organisations de soins responsables (ACO)

Parc Yubin, Kevin Buchan, Jason Piccone, Brandon Sim

Les organisations de soins responsables (Accountable Care Organizations, ACO) regroupent des prestataires de soins de santé qui se regroupent volontairement pour fournir des soins coordonnés et de haute qualité à des bénéficiaires alignés. De nombreuses ACO, telles que le programme d'économies partagées de Medicare et le programme ACO REACH, peuvent participer à des modèles de paiement alternatifs qui diffèrent du modèle de paiement à l'acte en vigueur. Dans ces modèles de paiement alternatifs, les prestataires et les payeurs partagent le risque financier pour aligner les incitations financières des ACO sur le double objectif de réduire le coût total des soins et d'améliorer la qualité des soins. En d'autres termes, les ACO pourraient tirer profit du maintien de la santé de leurs patients et de la prévention des hospitalisations inutiles. Cependant, pour que cette structure financière fonctionne comme prévu, il faut un modèle d'ajustement des risques (RA) pour modifier le remboursement proportionnellement au risque d'un bénéficiaire ; sinon, les ACO peuvent inscrire uniquement des patients en bonne santé, c'est-à-dire une sélection adverse. Bien que la plupart des ACO adoptent des modèles RA pour cette raison, la méthodologie RA originale est restée essentiellement la même au cours des dernières décennies. En conséquence, certains participants à l’ACO ont trouvé des moyens de « déjouer » le système : recevoir des paiements disproportionnés pour le risque qu’ils prennent. Pour atténuer le gaspillage, le gouvernement fédéral a ajouté divers mécanismes d’ajustement postérieur, comme le mélange du point de référence ajusté au risque avec les dépenses historiques, l’ajustement par un facteur d’intensité de codage, le plafonnement du taux de croissance du score de risque et l’intégration d’incitations à l’équité en santé. Malheureusement, ces mécanismes se complètent de manière non linéaire et discontinue, ce qui rend leurs effets réels et leur efficacité difficiles à démêler et à évaluer. Dans cet article, nous résumerons les leçons que nous avons tirées de l’exploitation de l’un des ACO les plus performants du pays pour aider à reconstruire le modèle RA basé sur une approche axée sur les données. Ensuite, nous décrivons les caractéristiques d’un modèle RA idéal. Ensuite, nous proposons un nouveau modèle qui répond à ces exigences, éliminant la nécessité d’un processus en plusieurs étapes impliquant une stadification non linéaire et discontinue. Enfin, nous fournissons des résultats expérimentaux en appliquant ce modèle à nos données ACO et en les comparant à la mise en œuvre RA actuelle. Nos résultats expérimentaux montrent que nos approches basées sur les données peuvent atteindre de meilleures performances prédictives mesurées en R-carré, mesure de prédiction de Cumming et erreur de prédiction absolue moyenne.