Az egészségügyi költségek becslése demográfiai jellemzők alapján a fejkvóta készítéséhez Magyarországon
Cikk címe: Az egészségügyi költségek becslése demográfiai jellemzők alapján a fejkvóta készítéséhez Magyarországon
Szerzők: Nagy Balázs, Rakonczai Pál, Sipos Júlia
Intézmények: Budapesti Corvinus Egyetem Közszolgálati Tanszék, HealthWare Tanácsadó Kft., Országos Orvosi Rehabilitációs Intézet
Évfolyam: VII. évfolyam
Lapszám: 2008. / Egészség-gazdaságtani különszám
Oldal: 5-7
Rovat: EGÉSZSÉG-GAZDASÁGTAN
Alrovat: EGÉSZSÉGBIZTOSÍTÁS
Absztrakt:
Az egészségügyi források elosztására használható legegyszerűbb fejkvóta-modellek készítése elsősorban demográfiai jellemzők alapján történhet. Ehhez a lakosság kor és nem szerinti egészségügyi szükségleteinek minél pontosabb becslésére van szükség. A szükségletbecslés elvégzéséhez magyarországi egészségügyi finanszírozási adatok alapján demográfiai változókból készített matematikai modellekkel számoltuk ki az egyének várható egészségügyi költségeit. A költségbecslés szempontjából optimális korcsoportbontás meghatározásához klaszterelemzési eljárásokat használtunk, amelyeket a magyar egészségügyi finanszírozási és adatjelentési gyakorlatból ismert modellekkel hasonlítottunk össze. Az eredmények azt mutatják, hogy a matematikai-statisztikai eljárásokkal kialakított fejkvóta modellek nyújtják a várható költségek legpontosabb becslését. Ezektől a magyar gyakorlat alapján készült modellek teljesítménye valamivel elmarad. Az elemzések megerősítik azt a feltevést, hogy a szükséglet alapú fejkvótás forráselosztási formulák kialakításakor a tudományos módszerek alkalmazásának fontos szerepe van, amelyet az egészségpolitikai döntéshozóknak mérlegelniük kell.
Abstract:
Simple methods to allocate health care resources through capitation are predominantly based on demographic characteristics. For implementing such allocations one needs to estimate the health care needs of the population according age and gender characteristics. In this study we used Hungarian health care financing data to design demographic capitation formulae. Series of mathematical models were applied to demographic characteristics of the sample population to predict health care expenditures. To define the optimal age-grouping structure of the capitation formula clustering methods were applied which were then compared to routinely available Hungarian age-grouping schemes. Results show that capitation models designed with mathematical- statistical methods provide the best estimates of health care expenditures, whereas models based on routinely available age-grouping patterns perform slightly worse. This analysis underpins the relevance of scientific approaches when designing needs based capitation payments and inspires health care decision makers to consider the presented methodology.
VII. évfolyam
2008. / Egészség-gazdaságtani különszám / Június
| Szerző | Intézmény |
|---|---|
| Nagy Balázs | Budapesti Corvinus Egyetem Közszolgálati Tanszék |
| Rakonczai Pál | HealthWare Tanácsadó Kft. |
| Sipos Júlia | Országos Orvosi Rehabilitációs Intézet |
[1] Van de Ven W and Ellis R (2000). Risk adjustment in Competitive Health Plan Markets. In Newhouse J P and Culyer A J (Eds.), Handbook of Health Economics (pp. 757-845). Elsevier Science.
[2] Rice, N. and Smith, P. (2001). Capitation and risk adjustment in health care financing: an international progress report. The Milbank Quarterly, 79 (1), 81-113.
[3] Nagy B. (2006) A fejkvóta alapú forrásallokációs modell továbbfejlesztése – Elméleti alapok és gyakorlati lehetőségek a fejkvóta alapú forrásallokációs modell továbbfejlesztésére Magyarországon. Budapest, Egészségügyi és Stratégiai Kutatóintézet. Nyitótanulmány. http://www.eski.hu/new3/politika/zip_doc_2006/elmeleti_alapok.pdf
[4] Nagy B, Rakonczai P, and Gulácsi L (2008). Statisztikai módszerek a fejkvóta számítására a magyar egészségügyben. Statisztikai Szemle, 86 (4) 321-341.
[5] Nagy B, Sipos J, and Nagy J (2007). Illusztrációk a fejkvótás forrásallokáció számításához Magyarországon – még csak a logikát ismerjük… IME – Az egészségügyi vezetők szaklapja, 6 (10), 6-13.
[6] Andersson P A, Varde E, and Diderchsen F (2000). Modelling of resource allocation to health care authorities in Stockholm County. Health Care Management Science, 3 (2), 141-149.
[7] Lamers L and van Vliet R (2004). The Pharmacy-based Cost Group model: validating and adjusting the classification of medications for chronic conditions to the Dutch situation. Health Policy, 68 (1), 113-121.
[8] Behrend C, Buchner F, Happich M, Holle R, Reitmeir P, and Wasem J (2007). Risk adjusted capitation payments: how well do principal inpatient diagnosis-based models work in the German situtation? Results from a large dataset. European Journal of Health Economics, 8 (8), 31-39.
[9] Shang, B. and Goldman, D. (2008). Does age or life expectancy better predict health care expenditures? Health Economics, 17 (4), 487-501.
[10] Zweifel, P., Felder, S., and Meiers, M. (1999). Ageing of population and health care expenditure: a red herring? Health Econ, 8 (6), 485-496.
[11] Werblow, A., Felder, S., and Zweifel, P. (2007). Population ageing and health care expenditure: a school of ‘red herrings’? Health Econ, 16, 1109-1126. [12] Newhouse J P (1996). Reimbursing health plans and health providers: Efficiency in production versus selection. Journal of Economic Literature, 34 (3), 1236-1263.
[13] van Vliet R (1992). Predictability of individual health care expenditure. The Journal of Risk and Insurance, 59, 443-460.