《Health Services Research》:How Should We Identify Home- and Community-Based Services (HCBS) in Medicaid Claims Data? An Evaluation and Synthesis of Algorithms
编辑推荐:
目的:评估现有用于在Medicaid索赔中测量居家和社区服务(HCBS)的算法,并开发和评估一种统一、改进后的算法。
研究设置与设计:利用转换后医疗补助统计信息系统分析文件(TAF),研究人员比较了两种现有算法,用于识别和分类1915(c)豁免及州计划HC
目的:评估现有用于在Medicaid索赔中测量居家和社区服务(HCBS)的算法,并开发和评估一种统一、改进后的算法。
研究设置与设计:利用转换后医疗补助统计信息系统分析文件(TAF),研究人员比较了两种现有算法,用于识别和分类1915(c)豁免及州计划HCBS。基于该分析,研究人员开发了第三种统一且改进的算法。使用每种算法,研究人员构建了每100,000名居民中HCBS使用的年度州级估计值,并在2021至2023年间进行比较。
数据来源与分析样本:全国20%的TAF数据样本。该样本包括2021年主要分析中连续参保、享有全额福利、年龄19岁及以上的Medicaid受益人,以及2022–2023年用于比较随时间变化的计数。
主要发现:现有算法显示出高度一致性(观察一致性,Po = 93%,kappa = 0.77)。分歧源于缺失或不确定的方案类型代码、用于分类HCBS的服务相关代码差异,以及按人头付费(capitated payments)索赔分类的差异。研究人员的算法通过新颖地使用豁免标识号(waiver identification numbers)并修改某些TAF数据元素和代码,解决了部分分歧。HCBS用户计数在各算法间大体一致,研究人员的算法识别出最广泛的用户群体。然而,一些州表现出因算法不同而不一致的计数、不合理的过高计数(宾夕法尼亚州和伊利诺伊州)或不合理的过低计数(密西西比州)。在几个州,HCBS用户计数在2021至2023年间变化显著(绝对值>50%),提示这些州各年间数据质量或报告方式发生变化。
结论:研究人员的算法解决了两种现有算法在TAF中测量HCBS使用时的一些不一致。然而,在特定州和年份,不一致或不合理的HCBS用户计数提示数据可靠性和编码模式存在差异,这可能限制无论使用何种算法对HCBS进行准确测量。
《Medicaid索赔数据中HCBS识别算法的评估与综合:论文解读》
一、研究背景与问题
Medicaid居家和社区服务(Home- and Community-Based Services, HCBS)是长期服务与支持(Long-Term Services and Supports, LTSS)的重要形式,2021年占LTSS用户数的86.2%和支出的64.6%。作为机构长期照护的替代方案,HCBS使有严重身体或精神障碍的Medicaid受益人能够在家中或社区居住环境接受服务。尽管HCBS广泛用于LTSS使用者,各州在操作定义和资格标准上存在差异,且可通过州计划(state plan)和多种豁免(waiver)权项资助,如1915(c)豁免、1905(a)州计划、1915(i)/(j)/(k)等。这种多样性导致在国家Medicaid行政数据中一致识别HCBS十分困难。现有转换后医疗补助统计信息系统分析文件(Transformed Medicaid Statistical Information System Analytic Files, TAF)虽优于以前的MAX文件,但仍存在数据缺失、州与年份间质量差异等问题,如HCBS分类代码不可靠。此前已有两种算法用于识别和分类HCBS,但尚未被系统比较。因此,本研究旨在评估现有算法的优缺点,开发统一算法,并通过州级估计评估其性能。
二、研究内容与主要结论
研究人员使用TAF中2021年连续参保的19岁及以上全额福利Medicaid受益人的20%全国随机样本(2022–2023年用于趋势比较),比较了算法1(Mathematica方法)和算法2(Wang等2024年方法)。两种算法在索赔水平上观察一致性为93%,kappa=0.77,表明高度一致。分歧主要源于项目类型代码缺失或不明确、HCBS服务相关代码差异、按人头付费(capitated payments)索赔分类差异。基于这些分歧模式,研究人员开发了第三种统一算法(算法3),它保留了前两种算法的长处,并引入了新修改:使用豁免标识号(Waiver ID)确认1915(c)豁免身份,修改部分TAF数据元素和代码的使用规则。应用三种算法计算各州每10万居民HCBS用户数后发现,算法3识别的用户群体最广,但某些州(如宾夕法尼亚州和伊利诺伊州)出现不合理的过高计数,密西西比州出现过低计数,且多州2021–2023年HCBS用户数变化超过50%,提示数据质量和报告方式存在州年份变化。这些发现强调,不存在完美算法能解决所有数据问题,但研究提供了改进的测量工具和评估数据质量的方法。
三、主要关键技术方法
研究数据来源为TAF其他服务(Other Services, OT)理赔文件,覆盖美国50个州和哥伦比亚特区,分析样本为连续参保、全额福利、年龄≥19岁的Medicaid受益人的20%随机样本(2021年为主要分析年份,2022–2023年用于纵向比较),人口分母采用2020年人口普查数据。算法1采用层次化方法,优先使用Medicaid融资代码(如项目类型代码、豁免类型代码、HCBS服务代码)识别和分类HCBS;算法2先通过服务类型(Type of Service, TOS)代码、HCBS分类代码和程序代码识别HCBS,再结合项目类型/豁免类型代码分类;算法3综合两者,将豁免类型代码或项目类型代码视为充分条件,引入Waiver ID进行验证,保留算法1对州计划HCBS的识别结构并扩大TOS代码集。补充分析使用TAF人口与资格(D&E)文件与MACPAC基准比较参保人数,并与KFF和DQ Atlas的1915(c)豁免参与者计数交叉验证。
四、研究结果
3.1 比较现有方法:通过2×3交叉表分析,算法1和2对93%的索赔识别与分类一致(P
o=0.93,kappa=0.77)。97%被算法1识别为非HCBS的索赔也被算法2视为非HCBS;71%的州计划HCBS索赔和86%的豁免HCBS索赔在两算法间一致。
3.2 算法1和2之间的差异:分歧分为“识别差异”和“分类差异”。
3.2.1 HCBS识别上的分歧:案例2中,算法1识别为州计划HCBS而算法2未识别,主要是个人护理服务程序代码(85%),算法3采用这些代码将其识别;案例3中,算法1识别为豁免HCBS而算法2未识别,主要是按人头付费TOS代码(77%),算法3仅依据项目类型/豁免类型代码即分类为豁免HCBS;案例4中,算法2使用更广泛的TOS代码识别州计划HCBS,算法3采用了这些代码但保留算法1的结构;案例7中,算法2识别为豁免HCBS而算法1未识别,因有1915(c)豁免类型代码伴项目类型代码00,算法3将其分类为豁免HCBS。
3.2.2 HCBS分类上的分歧:案例6中,算法1将仅具有HCBS服务代码4、无项目/豁免类型代码的德克萨斯州索赔识别为豁免HCBS,算法2误分类为州计划,算法3沿用算法1;案例8中,算法1将项目类型代码16(1915(j))的索赔分类为州计划,但这些索赔同时有1915(c)豁免类型代码且99%有Waiver ID,算法3将它们重新分类为豁免HCBS。
3.3 比较三种算法识别和分类HCBS:通过绘制州级用户计数图,算法3总体上识别最广,但有几个州因算法不同产生不一致计数。算法2在一些州(DC、MA、MI)识别出更多州计划HCBS用户,算法1在AL、OK、PA更多,原因与案例4和案例8的模式有关。时间趋势分析显示,宾夕法尼亚州2021年异常高计数在2022/2023年改善,密西西比州2021年极低计数在随后年份更符合参保情况。补充分析中,TAF D&E文件参保计数与MACPAC基准基本一致,但AR、IL、IN、MO、TN差异大于10%,其中MO和TN有数据质量问题;1915(c)豁免计数与KFF和DQ Atlas结果相当(AZ、NJ、RI、VT不通过1915(c)提供HCBS)。
五、讨论与结论
讨论部分指出,算法间的分歧存在规律:算法1能更好识别州计划个人护理服务和按人头付费的豁免索赔,算法2则捕获更多模糊索赔。算法3通过验证Waiver ID解决了部分分歧。研究人员提出应关注州-年份的数据质量和报告模式,建议使用DQ Atlas、KFF基准,并检查时间趋势。局限性包括:未评估HCBS具体类别(因分类变量不可靠)、无金标准外部基准、疫情可能影响计数、结论受数据质量限制。结论部分翻译:研究结果强调,在TAF数据的当前版本中,没有任何算法能够解决所有州、年份和HCBS类型中潜在的数据质量或测量问题。然而,这项工作提供了更多识别和分类HCBS的工具,并概述了研究人员在选择最适合其特定工作的方法时应考虑的因素。这些考虑因素对HCBS使用的测量至关重要,因为它们支持循证研究的发展,从而为相关Medicaid长期服务和支持政策提供信息。