——Medicare Advantage编码强度与过度编码的新评估框架
背景与问题
美国Medicare计划通过风险调整向Medicare Advantage（MA）私营保险公司预付保费，依据受益人的疾病层级（HCC）评分确定支付额。由于保险公司保留支付盈余，其有强烈动机尽可能多地编码诊断或选择更严重等级，即“过度编码”（upcoding）。据估计，此举每年给联邦政府造成数百亿美元损失，且多主要保险公司曾因欺诈被司法部调查。
现有编码强度评估多依赖年度诊断计数，并以传统Medicare（TM）为参照。但TM本身存在编码不足（undercoding）问题，导致差异被高估。同时，研究者缺乏带标签的过度编码数据，难以开发和验证新方法。
（原文下载，请扫码加入知识库）
方法与创新
作者首次将时间-事件（生存分析）引入Medicare编码行为监测，扩展了受限平均时间损失（RMTL）估计量。核心思路：将每个HCC的首次报告视为“事件”，观察其在多个监测期（如季度）内的累计发生情况。针对同一疾病不同严重等级（如轻、中、重度痴呆）互斥编码的特点，引入竞争风险框架。
提出三类估计量：
-
组间差异估计（ψ）：比较MA与TM在某一监测期内“无事件平均时间”的差异，反映编码强度。
-
跨期变化估计（ψ_M）：监测连续监测期之间差异的变化，捕捉动态编码行为。
-
严重性过度编码估计（ω）：比较最严重与最轻微等级HCC在MA和TM中的报告差异，识别将低严重度患者“升级”为高严重度编码的行为。
同时，利用参考HCC的持续性估算TM的编码不足比例（ε），对结果进行校正。
为克服无标签数据难题，作者基于NIH“All of Us”研究中65岁以上人群的自报健康条件（不受编码激励影响），开发了开源R包 upcoding，可模拟具有真实共病模式的基线数据，并按需添加任意比例的任何可用型或严重性型过度编码及编码不足，且标记每例过度编码——这是首个公开可用的带标签模拟工具。
模拟实验结果
模拟采用1000次重复，每组100万观测，设置MA组过度编码20%~30%，TM组5%并同时施加0~15%的编码不足。
结果显示：
-
新估计量（ψ）能清晰区分MA与TM的编码差异，且差异随过度编码程度增大而增大，对TM编码不足的敏感性有限（因为编码不足分散于全部115个HCC，对单一HCC影响小）。
-
跨监测期估计量（ψ_M）可反映固定样本下可编码个体逐渐耗尽的特征，有助于识别哪些HCC被“过度开掘”。
-
对比广泛使用的DECI（基于年度风险评分比值），DECI对少数HCC的过度编码几乎无反应，却对编码不足高度敏感，易低估MA与TM的真实差距。
保险政策意义
本研究提供了一套可早期、规模化追踪编码行为的统计工具，尤其适用于风险调整公式更新后新激励行为的监测。其估计量可直接用于排序各HCC的“可疑程度”，辅助稽查。开源R包则降低了方法开发门槛，促进可重复研究。
该框架不仅适用于Medicare，也可推广至其他按风险付费的保险场景（如商业健康险、医疗补助计划），帮助监管者识别系统性编码操纵，保护支付体系完整性，节省公共资金，同时避免对正常服务机构的误判。
结论：通过引入生存分析思想并纠正TM编码不足，作者提出的时间-事件估计器克服了传统计数法的缺陷，结合公开模拟工具，为健康保险支付中的编码行为监管提供了实用且可扩展的新范式。
发布者：保险日报，转转请注明出处：https://www.insurdaily.com/archives/6376.html
微信扫一扫 
