జర్నల్ ఆఫ్ క్లినికల్ రీసెర్చ్ & బయోఎథిక్స్

నైరూప్య

అకౌంటబుల్ కేర్ ఆర్గనైజేషన్ (ACO) రిస్క్ అడ్జస్ట్‌మెంట్ మోడల్‌ను పునరుద్ధరించడానికి డేటా ఆధారిత విధానం

యుబిన్ పార్క్, కెవిన్ బుచాన్, జాసన్ పికోన్, బ్రాండన్ సిమ్

అకౌంటబుల్ కేర్ ఆర్గనైజేషన్‌లు (ACOలు) ఆరోగ్య సంరక్షణ ప్రదాతల సమూహాలను కలిగి ఉంటాయి, వీరు సమీకృత లబ్ధిదారులకు సమన్వయంతో, అధిక-నాణ్యతతో కూడిన సంరక్షణను అందించడానికి స్వచ్ఛందంగా కలిసి ఉంటారు. మెడికేర్ భాగస్వామ్య పొదుపు ప్రోగ్రామ్ మరియు ACO రీచ్ ప్రోగ్రామ్ వంటి అనేక ACOలు, ప్రబలంగా ఉన్న ఫీజు-ఫర్-సర్వీస్ మోడల్‌కు భిన్నమైన ప్రత్యామ్నాయ చెల్లింపు నమూనాలలో పాల్గొనవచ్చు. ఈ ప్రత్యామ్నాయ చెల్లింపు నమూనాలలో, ప్రొవైడర్లు మరియు చెల్లింపుదారులు మొత్తం సంరక్షణ వ్యయాన్ని తగ్గించడం మరియు సంరక్షణ నాణ్యతను మెరుగుపరచడం అనే ద్వంద్వ లక్ష్యాలతో ACOల ఆర్థిక ప్రోత్సాహకాలను సమలేఖనం చేయడానికి ఆర్థిక నష్టాన్ని పంచుకుంటారు. మరో మాటలో చెప్పాలంటే, ACOలు తమ రోగులను ఆరోగ్యంగా ఉంచడం ద్వారా మరియు అనవసరమైన ఆసుపత్రిలో చేరకుండా నిరోధించడం ద్వారా లాభం పొందవచ్చు. అయితే, ఈ ఆర్థిక నిర్మాణాన్ని ఉద్దేశించిన విధంగా పని చేయడానికి, లబ్ధిదారుని రిస్క్‌కు అనులోమానుపాతంలో రీయింబర్స్‌మెంట్‌ను మార్చడానికి రిస్క్ అడ్జస్ట్‌మెంట్ (RA) మోడల్ ఉండాలి; లేకుంటే, ACOలు ఆరోగ్యకరమైన రోగులను మాత్రమే నమోదు చేసుకోవచ్చు, అనగా ప్రతికూల ఎంపిక. ఈ కారణంగా చాలా ACOలు RA మోడల్‌లను అవలంబిస్తున్నప్పటికీ, అసలు RA పద్దతి చాలా వరకు గత కొన్ని దశాబ్దాలుగా అలాగే ఉంది. ఫలితంగా, కొంతమంది ACO పాల్గొనేవారు సిస్టమ్‌ను "గేమ్" చేయడానికి మార్గాలను కనుగొన్నారు: వారు భరించే ప్రమాదానికి అసమాన చెల్లింపులను స్వీకరించడానికి. వ్యర్థాలను తగ్గించడానికి, ఫెడరల్ ప్రభుత్వం వివిధ పోస్ట్-అడ్జస్ట్‌మెంట్ మెకానిజమ్‌లను జోడించింది, చారిత్రక వ్యయంతో రిస్క్-సర్దుబాటు చేసిన బెంచ్‌మార్క్‌ను కలపడం, కోడింగ్ ఇంటెన్సిటీ ఫ్యాక్టర్ ద్వారా సర్దుబాటు చేయడం, రిస్క్ స్కోర్ గ్రోత్ రేట్‌ను పరిమితం చేయడం మరియు హెల్త్ ఈక్విటీ ప్రోత్సాహకాలను చేర్చడం వంటివి. దురదృష్టవశాత్తూ, ఆ మెకానిజమ్‌లు నాన్‌లీనియర్ మరియు నిరంతరాయ మార్గాల్లో ఒకదానిపై ఒకటి నిర్మించబడతాయి, దీని వలన వాటి వాస్తవ ప్రభావాలు మరియు సమర్థత విడదీయడం మరియు మూల్యాంకనం చేయడం కష్టం. ఈ పేపర్‌లో, డేటా ఆధారిత విధానం ఆధారంగా RA మోడల్‌ను పునర్నిర్మించడంలో సహాయపడటానికి దేశంలో అత్యంత విజయవంతమైన ACOలలో ఒకదానిని నిర్వహించడం నుండి మేము మా పాఠాలను సంగ్రహిస్తాము. తరువాత, మేము ఆదర్శవంతమైన RA మోడల్ యొక్క లక్షణాలను వివరిస్తాము. అప్పుడు, మేము అటువంటి అవసరాలను పరిష్కరించే కొత్తదాన్ని ప్రతిపాదిస్తాము, నాన్ లీనియర్ మరియు నిరంతర స్టేజింగ్‌తో కూడిన బహుళ-దశల ప్రక్రియ యొక్క అవసరాన్ని తొలగిస్తాము. చివరగా, మేము ఈ మోడల్‌ని మా ACO డేటాకు వర్తింపజేయడం ద్వారా మరియు వాటిని ప్రస్తుత RA అమలుతో పోల్చడం ద్వారా ప్రయోగాత్మక ఫలితాలను అందిస్తాము. మా ప్రయోగాత్మక ఫలితాలు మా డేటా-ఆధారిత విధానాలు R-స్క్వేర్డ్, కమ్మింగ్స్ ప్రిడిక్షన్ మెజర్ మరియు మీన్ అబ్సొల్యూట్ ప్రిడిక్షన్ ఎర్రర్‌లో మెరుగైన అంచనా పనితీరును సాధించగలవని చూపిస్తున్నాయి.