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
Ergebnisse des Projekts
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