The Impact of Partial-Year Enrollment on the Accuracy of Risk Adjustment Systems: A Framework and Evidence
Notice bibliographique
Résumé
Accurate risk adjustment facilitates healthcare market competition. Risk adjustment typically aims to predict annual costs of individuals enrolled in an insurance plan for a full year. However, partial-year enrollment is common and poses a challenge to risk adjustment, since diagnoses are observed with lower probability when individual is observed for a shorter time. Due to missed diagnoses, risk adjustment systems will underpay for partial-year enrollees, as compared to full-year enrollees with similar underlying health status and usage patterns. We derive a new adjustment for partial-year enrollment in which payments are scaled up for partial-year enrollees’ observed diagnoses, which improves upon existing methods. We simulate the role of missed diagnoses using a sample of commercially insured individuals and the 2014 Marketplace risk adjustment algorithm, and find the expected spending of six-month enrollees is underpredicted by 19%. We then examine whether there are systematically different care usage patterns for partial-year enrollees in this data, which can offset or amplify underprediction due to missed diagnoses. Accounting for differential spending patterns of partial-year enrollees does not substantially change the underprediction for six-month enrollees. However, one-month enrollees use systematically less than one-twelfth the care of full-year enrollees, partially offsetting the missed diagnosis effect.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,099 | 0,311 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».