論文の概要: Identifying Undercompensated Groups Defined By Multiple Attributes in Risk Adjustment

• arxiv url: http://arxiv.org/abs/2105.08493v2
• Date: Mon, 26 Jul 2021 16:03:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 19:58:30.561512
• Title: Identifying Undercompensated Groups Defined By Multiple Attributes in Risk Adjustment
• Title（参考訳）: リスク調整における複数属性による不補償群同定
• Authors: Anna Zink and Sherri Rose
• Abstract要約: 我々は,米国保健保険市場と医療機関で使用されるリスク調整式を評価した。 マーケットプレースリスク調整式では,複数の慢性状態の群が過小評価されていることがわかった。 医療リスク調整式では, 複雑な群が常に過小評価され, 過小評価されることは認められなかった。
• 参考スコア（独自算出の注目度）: 0.09137554315375918
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Risk adjustment in health care aims to redistribute payments to insurers based on costs. However, risk adjustment formulas are known to underestimate costs for some groups of patients. This undercompensation makes these groups unprofitable to insurers and creates incentives for insurers to discriminate. We develop a machine learning method for "group importance" to identify unprofitable groups defined by multiple attributes, improving on the arbitrary nature of existing evaluations. This procedure was designed to evaluate the risk adjustment formulas used in the U.S. health insurance Marketplaces as well as Medicare. We find that a number of previously unidentified groups with multiple chronic conditions are undercompensated in the Marketplaces risk adjustment formula, while groups without chronic conditions tend to be overcompensated in the Marketplaces. The magnitude of undercompensation when defining groups with multiple attributes is larger than with single attributes. No complex groups were found to be consistently under- or overcompensated in the Medicare risk adjustment formula. Our work provides policy makers with new information on potential targets of discrimination in the health care system and a path towards more equitable health coverage.
• Abstract（参考訳）: 医療におけるリスク調整は、コストに基づいて保険会社への支払いを再分配することを目的としている。 しかし、リスク調整式は一部の患者のコストを過小評価することが知られている。 この過小補償により、これらのグループは保険会社に不利益をもたらし、保険会社が差別するインセンティブを生み出す。 提案手法は,複数の属性によって定義された収益性のないグループを識別し,既存の評価の任意性を改善する機械学習手法である。 この手順は、米国の医療保険マーケットプレースやメディケアで使用されるリスク調整式を評価するために設計された。 我々は,複数の慢性疾患を有する既知の集団が市場リスク調整式において過度に補償されているのに対し,慢性疾患のないグループは市場で過度に補償される傾向があることを見出した。 複数の属性を持つグループを定義する際の過補償の大きさは、単一の属性よりも大きい。 メディケアのリスク調整式では, コンプレックス群が一貫して過小評価あるいは過剰補償されることは認められなかった。 我々の研究は、政策立案者に対して、医療システムにおける差別の潜在的な標的についての新しい情報と、より公平な健康保険への道筋を提供する。

関連論文リスト

• Measuring and Mitigating Biases in Motor Insurance Pricing [1.2289361708127877]
  非生命保険部門は高度に競争力があり厳格に規制された枠組みで運営されている。 年齢ベースのプレミアムフェアネスは、特定の保険ドメインにも義務付けられている。 ある保険領域では、重篤な疾患や障害の存在などの変数が、公正性を評価するための新しい次元として現れている。
  論文  参考訳（メタデータ） (2023-11-20T16:34:48Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• Evaluating COVID-19 vaccine allocation policies using Bayesian $m$-top exploration [53.122045119395594]
  マルチアーム・バンディット・フレームワークを用いてワクチンのアロケーション戦略を評価する新しい手法を提案する。 $m$-top Exploringにより、アルゴリズムは最高のユーティリティを期待する$m$ポリシーを学ぶことができる。 ベルギーのCOVID-19流行を個人モデルSTRIDEを用いて検討し、予防接種方針のセットを学習する。
  論文  参考訳（メタデータ） (2023-01-30T12:22:30Z)
• A Discussion of Discrimination and Fairness in Insurance Pricing [0.0]
  グループフェアネスの概念は、保険価格の計算における保護特性の影響を和らげるために提案されている。 代行差別のない統計モデルを提案するので、保険価格の観点からは非プロブレマティックである。 この統計モデルの標準価格は、最も人気のある3つの群フェアネス公理のいずれかを満たすものではない。
  論文  参考訳（メタデータ） (2022-09-02T07:31:37Z)
• Empirical Characteristics of Affordable Care Act Risk Transfer Payments [7.007996517986922]
  医療保険法(Affordable Care Act、ACA)では、保険会社は医療保険の引受に携わることができない。 リスク選択の効果を減らすことを目的としたACAプログラムは、リスク調整である。 リスク調整プログラムでは、健康な入学者の少ない保険会社は、より健康な入学者の保険会社からリスク転送の支払いを受ける。
  論文  参考訳（メタデータ） (2022-08-03T22:44:18Z)
• Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
  本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。 具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
  論文  参考訳（メタデータ） (2022-04-29T19:13:23Z)
• Learning Collective Action under Risk Diversity [68.88688248278102]
  集団的リスクジレンマを演じることを学ぶエージェントのグループにおけるリスク多様性の結果について検討する。 リスクの多様性は、全体的な協力を著しく減らし、全体的な目標達成を妨げることを示す。 この結果から,エージェント間のリスク認識の整合性や新たな学習技術開発の必要性が浮き彫りになった。
  論文  参考訳（メタデータ） (2022-01-30T18:21:21Z)
• Robust Allocations with Diversity Constraints [65.3799850959513]
  エージェント値の積を最大化するナッシュ福祉規則は,多様性の制約が導入されたとき,一意にロバストな位置にあることを示す。 また, ナッシュ・ウェルズによる保証は, 広く研究されているアロケーション・ルールのクラスにおいて, ほぼ最適であることを示す。
  論文  参考訳（メタデータ） (2021-09-30T11:09:31Z)
• Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
  センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。 定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
  論文  参考訳（メタデータ） (2021-09-17T13:45:46Z)
• Towards a fairer reimbursement system for burn patients using cost-sensitive classification [0.0]
  英国におけるPPSの導入は、Health Resource Groups(HRGs)の創設につながった。 HRGは、再納のために同様のリソース利用を共有する臨床に類似した患者のグループを特定することを目的としている。 本稿では,データ駆動モデルと患者レベルのコストを取り入れて,資源使用量と重大さの均一性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2021-07-01T15:23:21Z)
• Better Together? How Externalities of Size Complicate Notions of Solidarity and Actuarial Fairness [4.94950858749529]
  公平性の2つの概念は、(a)各個人に同じ価格または(b)各個人がプールにもたらすコストに応じて課金する。 個別のリスクプールとは対照的に、コストが均等に分散した保険プールに参加することで、両グループ(高いリスクと低いリスク)が厳格に利益を得ることが可能であることを示す。 我々は、低リスク者が保険プールに滞在するためのインセンティブを維持しつつ、高いリスクグループを最大限に補助する価格体系をつくり上げます。
  論文  参考訳（メタデータ） (2021-02-27T22:55:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。