Однією з ключових цілей Закону про доступну медичну допомогу (ACA) було зменшення витрат на охорону здоров’я, надавши споживачам більше вибору перед страховиком.

Економічна теорія передбачає, що коли споживачі роблять обгрунтований та активний вибір на конкурентному ринку, компанії реагують на це зниженням цін та покращенням якості своїх пропозицій.

Але теорію осторонь, емпіричні дослідження шоу споживачів насправді не поводяться так на практиці, особливо на таких складних ринках, як медичне страхування.

Ця реальність значно ускладнює державну політику щодо ефективного стримування витрат на охорону здоров'я (деякі з яких вона оплачує) та зменшення премій. Це також означає, що багато людей, ймовірно, платять набагато більше, ніж мали б за медичне страхування.

То чи є щось, що ми можемо зробити, щоб допомогти людям приймати кращі страхові рішення?

В недавній документ Я був співавтором з колегою з економіста Берклі Джонатаном Колстадом, і ми оцінили, як персоналізовані дані можуть допомогти споживачам зробити саме це, і як результат зробити ринки здоров'я більш ефективними.

Багато варіантів, багато плутанини

Контроль за витратами на охорону здоров'я, який вперше досяг 3 року на 2014 трлн. Дол. США на рік, залишається особливо важливим пріоритетом для політиків. Зростання витрат сповільнився нижче середніх показників за період, коли було прийнято ACA, але з тих пір прискорений.

Федеральні та державні регулятори створили біржі ACA, щоб заохотити страховиків до конкуренції за ціною та якістю, пропонуючи споживачам широкий спектр опцій.

Деякі ринки Medicare, такі як покриття лікарських засобів за рецептом Plan D, роблять те саме, тоді як компанії, що надають медичне страхування, також дедалі частіше пропонують своїм працівникам більше можливостей через приватні обміни.

Але надання людям більше можливостей - це лише перший крок. Дослідження показують, що споживачі роблять помилки, активно здійснюючи покупки через брак доступної інформації, обмежене розуміння страхування або просто загальна проблема. Ці труднощі існують незалежно від того, чи є вибір лише декілька чи кілька десятків.

Це спонукає споживачів піти сотні або навіть тисячі доларів на столі. Це також сприяє “інерція вибору, ”В якому споживачі можуть робити розумний початковий вибір, але не відстежувати їх і активно переглядати їх у міру появи нової інформації або зміни умов. Це також може коштувати їм чималих грошей з часом.

У своєму дослідженні ми розглянули спосіб вирішення цих проблем.

Цільові рекомендації споживачів

Один із способів включає надання споживачам рекомендацій щодо конкретного користувача на основі детальних даних про їхні особисті потреби та переваги в галузі охорони здоров’я.

Персоналізована інформація базується на очікуваних ризиках для здоров’я людини, апетиті до фінансових ризиків та уподобаннях лікаря. Ці правила висвітлюють найкращі варіанти для конкретного споживача, пов'язуючи кожен вибір із показниками, які споживачі легко розуміють та про які турбуються, наприклад, очікувані витрати за кожним планом у наступному році.

Загальна мета полягає у використанні сили споживчих даних та технологій для надання ефективних рекомендацій на страхових ринках, подібних до тих, що ми вже бачимо в інших місцях. Наприклад, Amazon використовує вашу історію покупок та дані перегляду, щоб давати рекомендації щодо того, які додаткові продукти вам можуть сподобатися, тоді як Google обробляє величезну кількість інформації, щоб адаптувати персоналізовані оголошення.

Вже був досягнутий певний прогрес у впровадженні таких видів умов на страхових ринках.

Однак головне занепокоєння полягає в тому, що така політика недостатньо ефективні. Емпіричні дані припускає, що навіть якщо ви приведете споживачів до криниці інформації, ви не обов'язково змусите їх пити.

Інтелектуальні за замовчуванням можуть бути відповіддю

Отже, якщо надання персоналізованих даних та рекомендацій недостатньо, щоб допомогти споживачам зробити кращий вибір, чи може більш агресивна політика бути ефективною?

Один із шляхів - це “розумні за замовчуванням”, які автоматично включають споживачів у бажані плани на основі інформації, що відповідає користувачеві. Замість того, щоб вимагати від людей діяти за рекомендаціями, для них обрано оптимальний варіант.

Ці розумні за замовчуванням будуть ретельно орієнтовані на основі власних даних кожної людини, але вони також не будуть зобов’язуючими, що дозволить споживачам у будь-який час перейти на інший варіант.

Інтелектуальні значення за замовчуванням, які ми запропонували в нашій роботі, базуються на детальних даних про демографічні показники та потреби в охороні здоров’я, а також на моделі вартості плану охорони здоров’я. Розумні за замовчуванням працюють, використовуючи такі дані, як минулі медичні заяви та демографічна інформація, щоб оцінити, чи має сенс перейти на інший план. Економічна модель та конкретні порогові значення встановлюються з самого початку, щоб визначити, скільки ризику потрібно взяти та скільки економії потрібно отримати від перемикання.

Ця економічна модель, реалізована за допомогою комп’ютерного алгоритму, враховуватиме фінансові вигоди, ризик у разі серйозного медичного випадку та доступ до потрібних лікарів.

При дотриманні належних умов (більш-менш агресивних) споживач не відповідає умовам нового плану. Малюнок праворуч ілюструє процес більш докладно.

Наприклад, розглянемо хворого на цукровий діабет, якого зарахували на план із річною премією 4,000 доларів США та доступом до певного набору лікарів. На додаток до премії, пацієнт є очікувалося витратити ще 2,000 доларів на рік у розподіл витрат - франшизи, оплата за призначення, рецепти, обладнання для перевірки рівня цукру в крові та інші послуги - максимум до 8,000 доларів.

Розумний алгоритм за замовчуванням спершу розгляне питання про те, чи існує на ринку альтернатива, яка “суттєво зменшить” щорічні витрати пацієнта. Якби порогове значення було встановлено на рівні 1,000 доларів, алгоритм шукав би варіант, який передбачає, що пацієнт витратить не більше 5,000 доларів на премії та розподіл витрат.

Також мають бути дотримані ще дві умови: лікарі, які, на думку пацієнта, повинні бути в мережі плану, і цей варіант не може піддавати його занадто великому додатковому фінансовому ризику (максимум для розподілу витрат). Отже, якби поріг фінансового ризику був встановлений у розмірі 500 доларів, тоді альтернативний план повинен був би становити не більше 8,500 XNUMX доларів.

Потім пацієнт буде автоматично зареєстрований у плані з передбачуваною економією 1,000 доларів на рік та найгіршим сценарієм лише 500 доларів додаткових витрат.

Наразі такі дефолти використовувались лише помірковано на ринках медичного страхування. Але в інших контекстах, таких як допомога працівникам у виборі розміру внеску в пенсійні плани, розумні неплатежі довели надзвичайно ефективний на поліпшення якості вибору.

Наприклад, якщо у вас на роботі є план 401 (k), є велика ймовірність, що ця розумна система за замовчуванням була використана для того, щоб поставити вас у найкращий план для ваших обставин. Зараз це працює для пенсійних заощаджень, оскільки варіанти простіші, а даних досить багато.

Проблеми зі смарт-за замовчуванням

То чому ми зараз не використовуємо розумні дефолти ширше на ринках медичного страхування?

Для початківців, політики та роботодавці, мабуть, не бажають застосовувати політику, яка, здається, обумовлює вибір страхування таким сильним чином. Наприклад, якщо налаштування за замовчуванням надмірно агресивні, багато споживачів можуть бути автоматично зареєстровані в планах, які погіршують їх - навіть якщо середній людині буде краще.

Можливим рішенням цього є те, що порогові значення для автоматичного зарахування можуть бути встановлені дуже консервативно, так що це постраждає лише від споживачів із значними очікуваними вигодами (хоча це також зменшить потенційні вигоди).

Однак більш фундаментальною проблемою є відсутність даних. На жаль, регуляторні органи часто не мають у реальному часі споживчих даних про персоналізовані ризики для здоров'я, використання страхування та демографічні показники, необхідні для ефективної реалізації розумних політик за замовчуванням точно (як це стосується вибору пенсій). Однією з причин є те, що страхові компанії часто відмовляються ділитися своїми даними з регуляторними органами на тій підставі, що вони є власністю та Верховний суд підтримав їх позиції.

У таких випадках розумні дефолти все ще можливі, але забезпечують меншу цінність для споживачів і повинні бути більш консервативними у їх застосуванні.

Додаткові міркування

Мало що відомо про наслідки ринкової конкуренції, коли вибір споживачів визначається алгоритмами, а не більш вільним та природним процесом.

Наприклад, чи могли б страховики намагатися систематично використовувати відомі особливості алгоритму, щоб підштовхнути більше людей до своїх планів (як із рекламодавцями, які взаємодіють із Google)? Або в кінцевому підсумку люди будуть менш залучені до процесу вибору власного страхування, а це означає, що вони будуть менш обізнані про те, які вигоди вони насправді мають та пов'язані з ними ризики?

Розуміння наслідків дозволу комп’ютерним алгоритмам робити вибір споживачів буде мати вирішальне значення при оцінці того, чи може впровадження такої політики, як розумні за замовчуванням, допомогти споживачам зробити кращий вибір з мінімальними мінусами. Але це буде неможливо, поки страховики не почнуть ділитися більш детальними даними з контролюючими органами.

про автора

Бен Гендель, доцент кафедри економіки Каліфорнійського університету, Берклі. Його дослідження вивчало процес прийняття рішень споживачами та ринковий дизайн ринків медичного страхування та ілюструє взаємодію між прийняттям рішень споживачами та регулюванням ринку.

Ця стаття була спочатку опублікована на Бесіда. Читати оригінал статті.

Пов’язана книга:

at InnerSelf Market і Amazon