Att ha problem att välja rätt sjukförsäkring plan? Låt en algoritm bestämma

ibm watson

Ett viktigt mål för Affordable Care Act (ACA) var att sänka kostnaderna för hälso- och sjukvården genom att ge konsumenterna mer val över sin försäkringsgivare.

Ekonomisk teori föreslår att när konsumenter gör informerade och aktiva val på en konkurrensutsatt marknad svarar företagen genom att sänka priserna och förbättra kvaliteten på sina erbjudanden.

Men teori åt sidan, empirisk forskning visar konsumenter faktiskt inte uppträder på detta sätt i praktiken, särskilt på komplexa marknader som sjukförsäkring.

Denna verklighet gör det mycket svårare för regeringens politik att effektivt minska kostnaden för vården (vissa av vilka det betalar för) och minska premierna. Det betyder också att många individer betalar förmodligen mycket mer än vad de borde ha på sjukförsäkring.

Så finns det något vi kan göra för att hjälpa människor att fatta bättre försäkringsbeslut?

I en nyligen papper Jag samtyckte till med Berkeleys ekonom Jonathan Kolstad, vi bedömde hur personuppgifter kunde hjälpa konsumenterna att göra just det och som ett resultat gör hälso-marknaderna mer effektiva.

Många alternativ, mycket förvirring

Styrning av hälso- och sjukvårdskostnader - som slår till US $ 3 biljoner ett år för första gången i 2014 - förblir en särskilt hög prioritet för policymakers. Tillväxten minskade under historiska medelvärden runt den tid som ACA passerade men har sedan dess accelererad.

Federal och statliga myndigheter skapade ACA-börserna för att uppmuntra försäkringsgivarna att konkurrera om pris och kvalitet samtidigt som konsumenterna erbjuder ett brett utbud av alternativ.

Flera Medicare-marknader, som Plan D-läkemedelsdeklaration, gör detsamma, medan företag som tillhandahåller sjukförsäkring också erbjuder fler och fler alternativ till sina anställda via privat underlättad utbyte.

Men att ge individer fler alternativ är bara ett första steg. Forskning visar att konsumenter gör misstag medan de aktivt handlar på grund av brist på tillgänglig information, begränsad förståelse av försäkring eller bara det övergripande besväret med det. Dessa svårigheter finns om valen bara är några eller flera dussin.

Detta leder konsumenterna att lämna hundratals eller till och med tusentals dollar på bordet. Det bidrar också till "val inerti, "Där konsumenterna kan göra smarta första val men misslyckas med att följa upp och aktivt ompröva dem när ny information uppstår eller om förhållandena ändras. Det kan också kosta dem mycket pengar över tiden.

I vår forskning undersökte vi hur vi kan lösa dessa problem.

Riktade konsumentrekommendationer

Ett sätt innebär att konsumenterna tillhandahåller användarspecifika planrekommendationer utifrån detaljerade uppgifter om deras personliga behov och önskemål om hälso- och sjukvård.

Den personliga informationen är baserad på en persons förväntad hälsorisk, ekonomisk riskappetit och läkarpreferenser. Dessa policyer markerar de bästa alternativen för en viss konsument genom att associera varje val med mätvärden som konsumenterna lätt förstår och bryr sig om, till exempel deras förväntade utgifter i varje plan under det kommande året.

Det breda målet är att utnyttja kraften i konsumentdata och teknik för att göra effektiva rekommendationer på försäkringsmarknaderna, som vi redan ser på andra ställen. Amazon använder till exempel din inköpshistorik och bläddringsdata för att göra rekommendationer om vilka ytterligare produkter du kanske vill, medan Google hanterar stora mängder information för att skräddarsy anpassade annonser.

Det har redan gjorts vissa framsteg när det gäller att genomföra sådana villkor på försäkringsmarknaderna.

En viktig fråga är emellertid att sådan politik är inte tillräckligt effektiva. Empiriska bevis föreslår att även om du leder konsumenterna till informationskällan, kan du inte nödvändigtvis tvinga dem att dricka.

Smarta standardinställningar kan vara svaret

Så om det inte räcker med personliga uppgifter och rekommendationer för att hjälpa konsumenterna att göra bättre val, kan en mer aggressiv politik vara effektiv?

Ett sätt är genom "smarta standardinställningar", som automatiskt ställer konsumenterna i föredragna planer baserat på användarspecifik information. I stället för att kräva att folk ska reagera på rekommendationer, är det optimala alternativet valt för dem.

Dessa smarta standardvärden skulle vara noggrant riktade utifrån varje persons egna data, men de skulle också vara icke-bindande, vilket gör det möjligt för konsumenterna att när som helst byta till ett annat alternativ.

De smarta standardvärdena som vi föreslog i vårt papper är baserade på detaljerade uppgifter om konsumentspecifika demografi och hälsobehov och en modell av hälsoplanvärdet. De smarta standardvärdena skulle fungera genom att använda data som tidigare medicinska påståenden och demografisk information för att bedöma om det vore bra att byta till en annan plan. En ekonomisk modell och specifika värdegränser ställs in från början för att styra hur mycket risk att ta och hur mycket besparingar som ska erhållas från en omkopplare.

Den ekonomiska modellen, som implementerades med en datoralgoritm, skulle överväga ekonomiska vinster, exponering för risker vid en större medicinsk incident och tillgång till rätt läkare.

Om de rätta villkoren är uppfyllda (mer eller mindre aggressiv), är konsumenten vanligtvis inskriven i en ny plan. Figuren till höger illustrerar processen mer detaljerat.

Tänk exempelvis en diabetespatient som är inskriven i en plan med ett årligt premie på $ 4,000 och tillgång till en specifik uppsättning läkare. På toppen av premien är patienten förväntad att spendera ytterligare $ 2,000 per år i kostnadsdelning - självriskar, kopior för utnämningar, recept, utrustning för att testa blodsocker och andra tjänster - upp till högst $ 8,000.

Den smarta standardalgoritmen skulle först överväga om det fanns ett alternativ på marknaden som skulle "meningsfullt sänka" patientens årliga utgifter. Om tröskeln sattes till $ 1,000, letade algoritmen efter ett alternativ som förutser att patienten skulle spendera högst $ 5,000 i premier och kostnadsdelning.

Ytterligare två villkor måste också uppfyllas: de läkare som patienten ser skulle behöva vara i planens nätverk och möjligheten kunde inte utsätta honom eller henne för för mycket ytterligare finansiell risk (max för kostnadsdelning). Så om tröskeln för finansiella risker sattes till $ 500, skulle den alternativa planen behöva maximera ut till högst $ 8,500.

Patienten skulle då automatiskt registreras i planen, med förväntade besparingar på $ 1,000 per år och ett värsta scenario med endast $ 500 i ytterligare utgifter.

Hittills har sådana standardvärden använts endast sparsamt på sjukförsäkringsmarknaderna. Men i andra sammanhang, som att hjälpa medarbetare väljer hur mycket som ska bidra till pensionsplaner, har smarta standarder visat sig anmärkningsvärt effektiv på att förbättra valkvaliteten.

Om du har en 401 (k) plan på jobbet finns det till exempel en bra chans att detta smarta standardsystem har använts för att få dig i bästa plan för din omständighet. Detta fungerar för pensionssparande nu eftersom alternativen är enklare och det finns gott om data.

Problem med smarta standardinställningar

Så varför använder vi inte vanliga standardvärden i stort sett på sjukförsäkringsmarknader just nu?

Till att börja med är politiker och arbetsgivare sannolikt ovilliga att genomföra politik som tycks driva försäkringsalternativ på ett så kraftfullt sätt. Till exempel, om standardinställningarna är alltför aggressiva, kan många konsumenter automatiskt skrivas in i planer som gör dem värre borta - även om den genomsnittliga personen skulle vara bättre.

En möjlig lösning på detta är att tröskelvärdena för autoinskrivning kan ställas in mycket konservativt, så att endast konsumenter med betydande förväntade vinster påverkas (även om detta också skulle minska de potentiella fördelarna).

Ett mer grundläggande problem är dock bristen på data. Tyvärr har regulatörer ofta inte den typ av konsumentinformation om realtid om personliga hälsorisker, försäkringsanvändning och demografi som krävs för att effektivt implementera klara standardpolicyer på ett exakt sätt (vilket är sant i pensionsval). En orsak är att försäkringsbolag ofta vägrar dela sina uppgifter med tillsynsmyndigheter med motiveringen att de är proprietära, och Högsta domstolen har bekräftat deras hållning.

I sådana fall är smarta standarder fortfarande möjliga men ger mindre värde för konsumenterna och måste vara mer konservativa vid genomförandet.

Ytterligare överväganden

Lite är känt om effekterna av konkurrensen när konsumentval styrs av algoritmer snarare än genom en mer fritt flytande och naturlig process.

Till exempel kan försäkringsgivare försöka systematiskt utnyttja kända funktioner i algoritmen för att driva fler människor i sina planer (som med annonsörer som interagerar med Google)? Eller kommer individerna att bli mindre engagerade i processen att välja egen försäkring, vilket innebär att de blir mindre informerade om vilka fördelar de faktiskt har och de därmed sammanhängande riskerna?

Att förstå konsekvenserna av att låta datoralgoritmer göra konsumentval kommer att vara avgörande när det gäller att bedöma huruvida implementering av en politik som smarta standard kan fungera för att hjälpa konsumenterna att göra bättre val med minimala nackdelar. Men det kommer inte vara möjligt förrän försäkringsbolagen börjar dela mer detaljerad information med tillsynsmyndigheterna.

Om författarenAvlyssningen

handel benBen Handel, biträdande professor i ekonomi, University of California, Berkeley. Hans forskning har studerat konsumenternas beslutsfattande och marknadsdesign av sjukförsäkringsmarknader och illustrerar samspelet mellan konsumentbeslut och marknadsreglering.

Den här artikeln publicerades ursprungligen den Avlyssningen. Läs ursprungliga artikeln.

Relaterade Bok:

{amazonWS: searchindex = Böcker; nyckelord = sjukförsäkring; maxresultat = 3}

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

följ InnerSelf på

facebook-icontwitter-iconrss-icon

Få det senaste via e-post

{Emailcloak = off}