연구목적 많은 OECD 국가들에서 의료비용 증가는 건강보험 지속성을 위협하는 심각한 문제로 인식되고 있으며, 소비자 선택권 보장과 공급자 경쟁을 통해 건강보험을 개혁하고 있다. 전문가들은 위험조정모델을 건강보험 개혁의 핵심으로 꼽고 있다. 본 연구에서는 건강보험 표본코호트를 활용하여 미국 메디케어의 위계적 질환군 (HCC, Hierarchical Condition Category) 위험조정모델을 기초로 한국의 투약자료와 이전 의료이용 변수를 추가한 위험모델을 구축하고, 의료비용을 예측하고자 한다.
연구방법 건강보험공단에서 구축한 표본코호트 ...
연구목적 많은 OECD 국가들에서 의료비용 증가는 건강보험 지속성을 위협하는 심각한 문제로 인식되고 있으며, 소비자 선택권 보장과 공급자 경쟁을 통해 건강보험을 개혁하고 있다. 전문가들은 위험조정모델을 건강보험 개혁의 핵심으로 꼽고 있다. 본 연구에서는 건강보험 표본코호트를 활용하여 미국 메디케어의 위계적 질환군 (HCC, Hierarchical Condition Category) 위험조정모델을 기초로 한국의 투약자료와 이전 의료이용 변수를 추가한 위험모델을 구축하고, 의료비용을 예측하고자 한다.
연구방법 건강보험공단에서 구축한 표본코호트 DB 2009년 자료를 이용하여 회귀모델을 구축하고, 변수별 회귀계수를 산출하였다. 2010년 자료를 바탕으로 2011년 개인별 의료비용을 예측하고, 2011년 실제 의료비용과 비교하였다. 의료비용 예측을 위해 4개의 모델을 이용하였다: model 1 (demographics), model 2 (HCCs & demographics), model 3 (bed-days, HCCs, & demographics), model 4 (medication-days, bed-days, HCCs & demographics). 개인 수준에서 모델을 평가하기 위해 R2를 이용하였고, 상위 5% 고의료비용 환자에 대해서는 양성예측도 (PPV, predictive positive value)를 이용하여 평가하였으며, 특정집단에 대한 의료비용 예측 비교는 예측비 (PR, predictive ratio)를 이용하였다.
결과 이전 입원일수 (bed-days), 이전 투약일수 (medication-days)를 포함하는 모델의 의료비용 예측력이 더 높았다. model 1, model 2, model 3, model 4 각각의 R2 값은 8%, 38%, 58%, 59%였다. 의료비용 상위 0.5% 극단값을 절단한 후 분석한 R2 값은 4개 모델에서 모두 증가했다. 가장 높은 의료비용 집단에서는 총의료비용이 과소예측되었고, 나머지 4개 집단에서는 과대예측 되었다. 나이가 젊은 집단에서 고령 집단으로 갈수록 남자, 여자 모두에서 예측비가 낮아지는 경향을 보였다.
결론 위험조정모델은 보험사 급여지급, 의료서비스 보상체계, 프로파일링, 연구 등 다방면에서 중요성이 높아졌다. 기존의 진단자료와 이전 의료이용 자료를 조합한 위험조정모델이 높은 의료비용 예측력을 보여주었고, 고의료비용 환자들을 비교함에 있어서 어느정도 정확성을 보여주었다. 향후 질병의 시간 흐름에 따른 변화와 한국 의료환경의 특성을 반영할 수 있는 모델에 대한 연구와 평가가 필요하다.
연구목적 많은 OECD 국가들에서 의료비용 증가는 건강보험 지속성을 위협하는 심각한 문제로 인식되고 있으며, 소비자 선택권 보장과 공급자 경쟁을 통해 건강보험을 개혁하고 있다. 전문가들은 위험조정모델을 건강보험 개혁의 핵심으로 꼽고 있다. 본 연구에서는 건강보험 표본코호트를 활용하여 미국 메디케어의 위계적 질환군 (HCC, Hierarchical Condition Category) 위험조정모델을 기초로 한국의 투약자료와 이전 의료이용 변수를 추가한 위험모델을 구축하고, 의료비용을 예측하고자 한다.
연구방법 건강보험공단에서 구축한 표본코호트 DB 2009년 자료를 이용하여 회귀모델을 구축하고, 변수별 회귀계수를 산출하였다. 2010년 자료를 바탕으로 2011년 개인별 의료비용을 예측하고, 2011년 실제 의료비용과 비교하였다. 의료비용 예측을 위해 4개의 모델을 이용하였다: model 1 (demographics), model 2 (HCCs & demographics), model 3 (bed-days, HCCs, & demographics), model 4 (medication-days, bed-days, HCCs & demographics). 개인 수준에서 모델을 평가하기 위해 R2를 이용하였고, 상위 5% 고의료비용 환자에 대해서는 양성예측도 (PPV, predictive positive value)를 이용하여 평가하였으며, 특정집단에 대한 의료비용 예측 비교는 예측비 (PR, predictive ratio)를 이용하였다.
결과 이전 입원일수 (bed-days), 이전 투약일수 (medication-days)를 포함하는 모델의 의료비용 예측력이 더 높았다. model 1, model 2, model 3, model 4 각각의 R2 값은 8%, 38%, 58%, 59%였다. 의료비용 상위 0.5% 극단값을 절단한 후 분석한 R2 값은 4개 모델에서 모두 증가했다. 가장 높은 의료비용 집단에서는 총의료비용이 과소예측되었고, 나머지 4개 집단에서는 과대예측 되었다. 나이가 젊은 집단에서 고령 집단으로 갈수록 남자, 여자 모두에서 예측비가 낮아지는 경향을 보였다.
결론 위험조정모델은 보험사 급여지급, 의료서비스 보상체계, 프로파일링, 연구 등 다방면에서 중요성이 높아졌다. 기존의 진단자료와 이전 의료이용 자료를 조합한 위험조정모델이 높은 의료비용 예측력을 보여주었고, 고의료비용 환자들을 비교함에 있어서 어느정도 정확성을 보여주었다. 향후 질병의 시간 흐름에 따른 변화와 한국 의료환경의 특성을 반영할 수 있는 모델에 대한 연구와 평가가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.