Abstract:Risk adjustment is vital in health policy design. Risk adjustment defines the annual capitation payments to health insurers and is a key determinant of insolvency risk for health insurers. In this study we compare the current risk adjustment formula used by Colombia's Ministry of Health and Social Protection against alternative specifications that adjust for additional factors. We show that the current risk adjustment formula, which conditions on demographic factors and their interactions, can only predict 30%… Show more
“…El modelo de cálculo de la UPC que se desea estimar se basa en el trabajo de Riascos et al (2017), quienes describen el modelo de gasto como la regresión que explica el gasto anual del afiliado i durante el año t, calculado como la suma del costo de todos los servicios durante un año completo, donde es el número de días de afiliación. De esta forma, el gasto anual en salud de cada afiliado i está representado en la ecuación 6:…”
Section: Capítulo 3 Modelo De Ajuste Por Riesgo Propuestounclassified
“…= 360 (6) Por otro lado, la fórmula de ajuste por riesgo actual, utilizada por el Estado, estima, con base en los registros de un año t, la predicción del gasto anual para el año t+2 (Riascos et al, 2017), representada en la ecuación 7:…”
Section: Capítulo 3 Modelo De Ajuste Por Riesgo Propuestounclassified
“…Que, de acuerdo con Riascos et al (2017), es equivalente al valor global para la UPC definida por el Minsalud, en la ecuación 9:…”
Section: Capítulo 3 Modelo De Ajuste Por Riesgo Propuestounclassified
“…La primera regresión se considerará como el caso base, entendida como la fórmula actual del Gobierno. Para esto se utilizará una regresión lineal ponderada, que toma la siguiente forma, sugerida por Riascos et al (2017):…”
Section: Capítulo 3 Modelo De Ajuste Por Riesgo Propuestounclassified
“…Para comparar los modelos se utilizarán las siguientes medidas, usadas en los trabajos deRiascos et al (2017) yRiascos & Vargas (2014):…”
“…El modelo de cálculo de la UPC que se desea estimar se basa en el trabajo de Riascos et al (2017), quienes describen el modelo de gasto como la regresión que explica el gasto anual del afiliado i durante el año t, calculado como la suma del costo de todos los servicios durante un año completo, donde es el número de días de afiliación. De esta forma, el gasto anual en salud de cada afiliado i está representado en la ecuación 6:…”
Section: Capítulo 3 Modelo De Ajuste Por Riesgo Propuestounclassified
“…= 360 (6) Por otro lado, la fórmula de ajuste por riesgo actual, utilizada por el Estado, estima, con base en los registros de un año t, la predicción del gasto anual para el año t+2 (Riascos et al, 2017), representada en la ecuación 7:…”
Section: Capítulo 3 Modelo De Ajuste Por Riesgo Propuestounclassified
“…Que, de acuerdo con Riascos et al (2017), es equivalente al valor global para la UPC definida por el Minsalud, en la ecuación 9:…”
Section: Capítulo 3 Modelo De Ajuste Por Riesgo Propuestounclassified
“…La primera regresión se considerará como el caso base, entendida como la fórmula actual del Gobierno. Para esto se utilizará una regresión lineal ponderada, que toma la siguiente forma, sugerida por Riascos et al (2017):…”
Section: Capítulo 3 Modelo De Ajuste Por Riesgo Propuestounclassified
“…Para comparar los modelos se utilizarán las siguientes medidas, usadas en los trabajos deRiascos et al (2017) yRiascos & Vargas (2014):…”
There is a well-established tradition within the statistics literature that explores different techniques for reducing the dimensionality of large feature spaces. The problem is central to machine learning and it has been largely explored under the unsupervised learning paradigm. We introduce a supervised clustering methodology that capitalizes on a Metropolis Hastings algorithm to optimize the partition structure of a large categorical feature space tailored towards minimizing the test error of a learning algorithm. This is a general methodology that can be applied to any supervised learning problem with a large categorical feature space. We show the benefits of the algorithm by applying this methodology to the problem of risk adjustment in competitive health insurance markets. We use a large claims data set that records ICD-10 codes, a large categorical feature space. We aim at improving risk adjustment by clustering diagnostic codes into risk groups suitable for health expenditure prediction. We test the performance of our methodology against common alternatives using panel data from a representative sample of twenty three million citizens in Colombian Healthcare System. Our results outperform common alternatives and suggest that it has potential to improve risk adjustment.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.