Rechercher
Toggle location

Notre client est l'un des leaders en prestations de services d'analyse sur le marché allemand des caisses d'assurance maladie

Les objectifs du projet

  • Le client propose des services d'analyse à 28 des 30 premières caisses d'assurance maladie allemandes et dispose dans ses propres bases de données de
    • 7 millions d'ensembles de données d'analyse.
    • Les bases de données sont complètes, représentatives, validées et de qualité garantie.
  • En raison de la complexité et de la taille des données groupées, les procédures standard fréquemment utilisées ne permettent pas d'identifier tous les inducteurs de coût et les caractéristiques spécifiques à des sous-groupes.
  • Cela s'applique également aux domaines d'analyse et questions typiques sur le marché allemand des caisses d'assurance maladie, comme :
    • la description et l'analyse des modèles de morbidité qui sortent du commun
    • l'analyse des causes d'erreur de codage et l'identification des solutions potentielles
    • la création de profils types de patients et clients en matière de projection des coûts
    • le développement d'indicateurs d'évaluation de la qualité des données dans le système MRSA
    • les analyses des statuts et la description analytique de groupes à risque
    • l'analyse, la validation et l'identification de concepts et de mesures de gestion en matière de santé
    • le développement d'approches d'exploitation des programmes de prévention médicale

Ce qu'a fait BearingPoint

  • La tâche suivante constituait le point de départ d'une première analyse HyperCube des données clients : l'identification de sous-groupes et règles permettant de prédire avec une probabilité de 90 à 95 % l'hospitalisation l'année suivante de patients atteints d'une maladie cardio-vasculaire.
  • Caractéristiques de l'ensemble de données à analyser :
    • un échantillon de 10 000 cas (diagnostics cardiovasculaires) a été analysé
    • le phénomène à analyser / la variable dépendante : hospitalisation l'année suivant le diagnostic cardiovasculaire
    • L'ensemble complexe des variables d'input inclut : l'âge, le sexe, plus de 200 variables binaires de diagnostics possibles, plus de 200 variables de prescriptions médicamenteuses et quelques agrégats de mesure

Des résultats mesurables et concrets

  • Il a pu être démontré que la méthode HyperCube, soit l'identification de règles et de sous-groupes, génère une valeur ajoutée significative lors de l'analyse de données d'assurance maladie, notamment en comparaison avec les outils standard tels que SPSS ou Risk KV.
  • Les analyses HyperCube ont ainsi confirmé les résultats des études cliniques les plus récentes, et ce sur la seule base des données clients.
  • La technologie HyperCube dispose d'un fort potentiel pour les analyses supplémentaires de données d'assurance maladie dans les domaines les plus variés :
    • l'application d'HyperCube étendue à d'autres diagnostics spécifiques et modèles thérapeutiques
    • l'enrichissement des données avec des variables endogènes supplémentaires, telles que l'origine géographique ou socio-démographique
  • Les règles et sous-groupes identifiés offrent à toutes les caisses d'assurance maladie une base effective à partir de laquelle elles peuvent :
    • améliorer la gestion en matière de santé
    • gérer de façon optimisée les programmes de prévention
    • renforcer leur position face aux prestataires de service
    • analyser la compensation du risque

More client stories