Salah satu matlamat utama Akta Penjagaan Mampu (ACA) adalah untuk mengurangkan kos penjagaan kesihatan dengan memberi pengguna lebih banyak pilihan terhadap penanggung insurans mereka.

Teori ekonomi menunjukkan bahawa apabila pengguna membuat pilihan yang bermaklumat dan aktif dalam pasaran yang kompetitif, syarikat bertindak balas dengan menurunkan harga dan meningkatkan kualiti penawaran mereka.

Tetapi teori mengetepikan, penyelidikan empirikal menunjukkan Pengguna tidak benar-benar bertindak seperti ini dalam amalan, terutamanya dalam pasaran yang kompleks seperti insurans kesihatan.

Realiti ini menjadikannya lebih sukar bagi dasar kerajaan untuk secara berkesan membendung kos penjagaan kesihatan (sebahagian daripadanya dibayar) dan mengurangkan premium. Ini juga bermakna ramai individu mungkin lebih banyak membayar daripada insurans kesihatan.

Begitu juga apa yang boleh kita lakukan untuk membantu orang membuat keputusan insurans yang lebih baik?

Dalam pakej kertas baru-baru ini Saya mengutip dengan rakan sejawat ahli ekonomi Berkeley, Jonathan Kolstad, kami menilai bagaimana data peribadi dapat membantu pengguna melakukannya dan hasilnya menjadikan pasaran kesihatan lebih efisien.

Banyak pilihan, banyak kekeliruan

Mengawal perbelanjaan penjagaan kesihatan - yang mencecah US $ 3 trilion setahun untuk kali pertama di 2014 - kekal menjadi prioritas utama bagi para penggubal dasar. Pertumbuhan pembelanjaan melambat di bawah purata sejarah sekitar masa BPR diluluskan tetapi sejak itu dipercepatkan.

Pengawal selia federal dan negeri membuat pertukaran ACA untuk menggalakkan penanggung insurans untuk bersaing dengan harga dan kualiti sambil menawarkan pengguna pilihan yang lebih luas.

Beberapa pasaran Medicare, seperti pelan ubat preskripsi Rancangan D, melakukan perkara yang sama, sementara syarikat yang menyediakan insurans kesihatan juga semakin menawarkan lebih banyak pilihan kepada pekerja mereka melalui pertukaran persendirian secara peribadi.

Tetapi memberi individu lebih banyak pilihan hanya langkah pertama. kajian menunjukkan bahawa pengguna membuat kesilapan semasa membeli secara aktif kerana kekurangan maklumat yang ada, pemahaman terhad insurans atau hanya kerumitan keseluruhannya. Kesukaran ini wujud sama ada pilihan hanya beberapa atau beberapa dozen.

Ini membawa pengguna untuk pergi beratus-ratus atau bahkan ribuan dolar di atas meja. Ia juga menyumbang kepada "pilihan inersia, "Di mana pengguna boleh membuat pilihan awal pintar tetapi gagal untuk menindaklanjuti dan secara aktif menimbang semula mereka apabila maklumat baru muncul atau keadaan berubah. Itu juga boleh membebankan mereka banyak wang dari masa ke masa.

Dalam penyelidikan kami, kami mengkaji bagaimana kami dapat menyelesaikan masalah ini.

Cadangan pengguna yang disasarkan

Satu cara melibatkan menyediakan pengguna dengan cadangan pelan khusus pengguna berdasarkan data terperinci tentang keperluan dan pilihan penjagaan kesihatan peribadi mereka.

Maklumat peribadi adalah berdasarkan kepada risiko kesihatan individu yang dijangkakan, selera risiko kewangan dan keutamaan doktor. Dasar-dasar ini menyerlahkan pilihan terbaik untuk pengguna tertentu dengan mengaitkan setiap pilihan dengan metrik yang mudah difahami dan dipertimbangkan pengguna, seperti perbelanjaan mereka yang diharapkan dalam setiap pelan pada tahun yang akan datang.

Matlamat yang luas adalah memanfaatkan kuasa data pengguna dan teknologi untuk membuat cadangan yang berkesan di pasaran insurans, sama seperti apa yang telah kita lihat di tempat lain. Sebagai contoh, Amazon menggunakan sejarah pembelian anda dan melayari data untuk membuat cadangan mengenai produk tambahan apa yang anda sukai, sementara Google memproses sejumlah besar maklumat untuk menyesuaikan iklan tersuai.

Terdapat beberapa kemajuan ke arah melaksanakan syarat-syarat ini di pasaran insurans.

Walau bagaimanapun, kebimbangan utama ialah dasar tersebut tidak cukup berkesan. Bukti empirikal mencadangkan bahawa walaupun anda membawa pengguna ke maklumat baik, anda tidak semestinya memaksa mereka untuk minum.

Lalai pintar mungkin jawapannya

Jadi, jika menyediakan data peribadi dan cadangan tidak cukup untuk membantu pengguna membuat pilihan yang lebih baik, apakah dasar yang lebih agresif berkesan?

Salah satu cara adalah melalui "lalai bijak," yang secara automatik meletakkan pengguna ke dalam pelan yang lebih baik berdasarkan maklumat khusus pengguna. Daripada memerlukan orang untuk bertindak berdasarkan cadangan, pilihan optimum dipilih untuk mereka.

Kegagalan pintar ini akan disasarkan dengan berhati-hati berdasarkan data masing-masing individu, tetapi mereka juga tidak akan mengikat, yang membolehkan pengguna menukar kepada pilihan lain pada bila-bila masa.

Kegagalan pintar yang dicadangkan dalam kertas kerja kami adalah berdasarkan data terperinci mengenai demografi pengguna dan keperluan kesihatan pengguna dan model nilai pelan kesihatan. Kegagalan pintar akan berfungsi dengan menggunakan data seperti tuntutan perubatan masa lalu dan maklumat demografi untuk menilai sama ada ia masuk akal untuk beralih kepada rancangan lain. Model ekonomi dan ambang nilai tertentu ditubuhkan pada permulaan untuk mengawal berapa banyak risiko yang perlu diambil dan berapa banyak simpanan yang perlu diperolehi daripada suis.

Model ekonomi itu, yang dilaksanakan dengan algoritma komputer, akan mempertimbangkan keuntungan kewangan, pendedahan kepada risiko sekiranya terdapat kejadian perubatan utama dan akses kepada pakar perubatan yang tepat.

Sekiranya syarat-syarat yang betul dipenuhi (lebih kurang agresif), pengguna gagal membuat pelan baru. Angka di sebelah kanan menggambarkan proses dengan lebih terperinci.

Sebagai contoh, pertimbangkan pesakit diabetes yang mendaftar dalam pelan dengan premium tahunan $ 4,000 dan akses kepada set doktor tertentu. Di samping premium, pesakit adalah dijangkakan untuk menghabiskan $ 2,000 setahun lagi perkongsian kos - potongan, copasi untuk pelantikan, preskripsi, peralatan untuk menguji gula darah dan perkhidmatan lain - sehingga maksimum $ 8,000.

Algoritma lalai pintar pertama akan mempertimbangkan sama ada terdapat alternatif di pasaran yang "secara bermakna akan menurunkan" perbelanjaan tahunan pesakit. Jika ambang ditetapkan pada $ 1,000, algoritma akan mencari pilihan yang menjangka pesakit akan membelanjakan tidak lebih daripada $ 5,000 dalam premium dan perkongsian kos.

Dua lagi syarat mesti dipenuhi: doktor yang dilihat oleh pesakit perlu berada dalam rangkaian rancangan dan pilihan itu tidak dapat mendedahkannya kepada terlalu banyak risiko kewangan tambahan (maksimum untuk perkongsian kos). Oleh itu, jika ambang risiko kewangan ditetapkan pada $ 500, maka pelan alternatif akan terpaksa maksima tidak melebihi $ 8,500.

Pesakit kemudian akan didaftarkan secara automatik dalam pelan itu, dengan penjimatan $ 1,000 dijangka setahun dan senario kes terburuk hanya $ 500 dalam perbelanjaan tambahan.

Setakat ini, kegagalan membayar tersebut hanya digunakan dalam pasaran insurans kesihatan. Tetapi dalam konteks lain, seperti membantu pekerja memilih berapa banyak untuk menyumbang kepada pelan pencen, kegagalan pintar telah terbukti sangat berkesan pada peningkatan kualiti pilihan.

Sekiranya anda mempunyai pelan 401 (k) di tempat kerja, contohnya, ada peluang yang baik sistem pintar pintar ini telah digunakan untuk meletakkan anda dalam pelan terbaik untuk keadaan anda. Ini berfungsi untuk simpanan persaraan sekarang kerana pilihan lebih mudah dan terdapat banyak data.

Masalah dengan lalai pintar

Jadi mengapa kita tidak menggunakan kegagalan pintar lebih luas dalam pasaran insurans kesihatan sekarang?

Sebagai permulaan, pembuat dasar dan majikan cenderung enggan melaksanakan dasar-dasar yang kelihatan untuk memacu pilihan insurans dengan cara yang kuat. Sebagai contoh, jika tetapan lalai terlalu agresif, ramai pengguna boleh didaftarkan secara automatik ke dalam rancangan yang membuat mereka menjadi lebih teruk - walaupun orang biasa lebih baik.

Penyelesaian yang mungkin untuk ini adalah bahawa ambang untuk auto-pendaftaran dapat ditetapkan dengan sangat konservatif, sehingga hanya pengguna yang mengalami kenaikan besar yang dipengaruhi (walaupun ini juga akan mengurangi manfaat potensial).

Walau bagaimanapun, masalah yang lebih asas ialah kekurangan data. Malangnya, pengawal selia sering tidak mempunyai jenis data pengguna masa nyata mengenai risiko kesihatan peribadi, penggunaan insurans dan demografi yang diperlukan untuk melaksanakan polisi lalai pintar secara tepat (seperti yang benar dalam pilihan pencen). Salah satu sebabnya adalah bahawa syarikat insurans sering menolak untuk berkongsi data mereka dengan pengawal selia dengan alasan bahawa mereka adalah milik, dan Mahkamah Agung telah ditegakkan pendirian mereka.

Dalam kes sedemikian, mungkir pintar masih mungkin tetapi memberikan kurang nilai kepada pengguna dan harus lebih konservatif dalam pelaksanaannya.

Pertimbangan tambahan

Sedikit diketahui tentang kesan persaingan pasaran apabila pilihan pengguna didorong oleh algoritma dan bukannya melalui proses yang lebih lancar dan semula jadi.

Contohnya, bolehkah penanggung insurans berusaha untuk mengeksploitasi ciri-ciri algoritma yang diketahui secara sistematik untuk mendorong lebih banyak orang ke dalam rancangan mereka (seperti pengiklan yang berinteraksi dengan Google)? Atau adakah individu akan kurang terlibat dalam proses memilih insurans mereka sendiri, yang bermakna mereka akan kurang dimaklumkan tentang manfaat apa yang sebenarnya mereka ada dan risiko yang berkaitan?

Memahami akibat membiarkan algoritma komputer membuat pilihan pengguna sangat penting dalam menilai sama ada melaksanakan dasar seperti kegagalan pintar boleh berfungsi dalam membantu pengguna membuat pilihan yang lebih baik dengan kelemahan minima. Tetapi tidak akan mungkin sehingga penanggung insurans mula berkongsi data yang lebih terperinci dengan pengawal selia.

Tentang Pengarang

Ben Handel, Penolong Profesor Ekonomi, University of California, Berkeley. Penyelidikannya telah mengkaji pengguna membuat keputusan dan reka bentuk pasaran pasaran insurans kesihatan, dan menggambarkan hubungan antara pengguna membuat keputusan dan peraturan pasaran.

Artikel ini pada asalnya diterbitkan pada Perbualan. Membaca artikel asal.

Tempah berkaitan:

at InnerSelf Market dan Amazon