Suche
Toggle location

Unser Kunde ist einer der größten Analyseserviceanbieter im deutschen Krankenkassenmarkt

Ziele des Projekts

  • Der Kunde bietet Analytikdienste für 28 der Top 30 der deutschen Krankenkassen an und verfügt über
    • 7 Mio. Datensätze für Analysen in eigenen Datenbanken
    • Diese sind vollständig, repräsentativ, freigegeben und qualitätsgesichert
  • Aufgrund der Komplexität und Größe des Datenpools, identifizieren häufig genutzte Standardverfahren nicht alle Kostentreiber und spezielle Subgruppencharakteristika
  • Dies gilt auch für die typischen Analysegebiete und Fragegestellungen im Deutschen Krankenkassenmarkt, wie: 
    • Beschreibung und Analyse von ungewöhnlichen Morbiditätsmustern
    • Ursachenanalyse von Kodierungsfehlern und Identifikation von potentiellen Lösungsansätzen
    • Erstellung von typischen Patienten- und Kundenprofilen im Bereich von Kostenprognosen
    • Entwicklung von Indikatoren für das Datenqualitätsassessment im MRSA-System
    • Statusanalysen und analytische Beschreibung von Risikogruppen
    • Analyse, Validierung und Identifikation von Gesundheitsmanagementkonzepten und –maßnahmen
    • Entwicklung von Bewertungsansätzen zur Bewertung von Gesundheitsvorsorgeprogrammen

Die Vorgehensweise von BearingPoint

  • Als Ausgangspunkt einer ersten HyperCube-Analyse der Kundenaten wurde eine spezifische Aufgabe formuliert:
    • Die Identifikation von Subgruppen und Regeln welche mit 90%iger bzw. 95%iger Wahrscheinlichkeit eine Hospitalisierung von Herz-Kreislauf-Patienten in folgenden Jahr vorhersagen
  • Charakteristika des zu analysierenden Datensatzes:
    • Ein Sample von 10.000 Fällen (Herz-Kreislauf-Diagnosen) wurde analysiert
    • Das analysierende Phänomen / die abhängige Variable: Auftreten eines Krankhausaufenthaltes im folgenden Jahr nach einer Herz-Kreislauf-Diagnose
    • Das umfangreiche Set von Inputvariablen setzte sich zusammen aus: Alter, Geschlecht, über 200 binäre Variablen von möglichen Diagnosen, über 200 Variablen möglicher Medikamentenverordnungen und einigen aggregierten Messwerten

Messbare und nachhaltige Ergebnisse

  • Es konnte gezeigt werden, dass die HyperCube-Methode - d.h. die Identifikation von Regeln und Subgruppen – einen deutlichen Mehrwert bei der Analyse von KV-Daten generiert, insbesondere im Vergleich mit Standardtools wie SPSS oder Risk KV
  • Dabei bestätigten die HyperCube-Analysen die Ergebnisse von neuesten klinischen Studien, jedoch auf Basis der Kundendaten
  • Der HyperCube-Ansatz bietet großes Potential für weitere Analysen von KV-Daten auf den unterschiedlichsten Gebieten:
    • die weitere Anwendung von HyperCube auf andere spezifischen Diagnosen und Medikationsmuster
    • die Anreicherung der Daten mit weiteren endogenen Variablen wie z.B.: geografische oder sozio-demografische Information
  • Die identifizierten Regeln und Subgruppen bieten effektive Ansatzpunkte für alle Krankenkassen:
    • zur Verbesserung des Gesundheitsmanagements
    • zur optimierten Steuerung von Vorsorgeprogrammen
    • zur Stärkung ihrer Position im Dialog mit Service-Anbietern
    • zur Analyse des Risiko-Ausgleichs

Weitere Projektbeispiele