德国基于药物成本组(PCGs)的疾病风险补偿模型：诊断编码替代方案与整合策略的效能评估

为解决德国法定医疗保险(SHI)中诊断编码可操纵性引发的风险选择问题，研究人员通过构建450万参保人代表性样本，评估了药物成本组(PCGs)替代或整合诊断模型的效能。结果显示：PCGs整合方案显著提升统计性能(R2/CPM/MAPE)，为优化风险补偿机制提供新路径。

　　

为确保疾病基金间的公平竞争，德国现行风险补偿机制主要依赖诊断数据评估参保人疾病负担。但诊断编码(diagnostic coding)的可操纵性和质量缺陷引发争议。这项研究另辟蹊径，将药物成本组(Pharmacy Cost Groups, PCGs)作为替代或补充指标，通过模拟450万参保人索赔数据构建代表性样本，采用标准化差异和加权均值评估样本匹配度(效应量<0.0001)。

量化分析阶段，研究团队玩转三大统计工具：决定系数(R²)、卡明预测指标(CPM)和平均绝对预测误差(MAPE)。有趣的是，当PCGs完全取代诊断数据时，模型质量虽相当，却在易受风险选择群体中引发更严重的补偿失衡。而将PCGs嫁接到现有体系后，各项指标如同坐上火箭——统计性能显著提升，疾病测量更精准，还能有效抑制编码操纵动机。

该研究为德国风险补偿机制升级提供了双轨思路：PCGs既可单独作为诊断编码的"备胎"，又能化身"性能增强模块"。特别是整合方案，堪称风险选择防控的"智能保险丝"，为医疗政策制定者提供了兼顾公平与效率的新选择。