Zorgverzekeraars worden gecompenseerd voor de risicoprofielen van hun verzekerden. Het huidige risicovereveningsmodel corrigeert echter niet voor alle gezondheidsverschillen. Met behulp van machine learning-technieken (ML) zouden zorgkosten beter voorspeld kunnen worden. Zou ML gebruikt kunnen worden voor risicoselectie, en wat kan de overheid hier tegen doen?
Wij concluderen in ons onderzoek dat ML-technieken de zorgkosten van 17 miljoen verzekerden in de basisverzekering beter voorspellen dan de gebruikelijke lineaire regressietechnieken. Met deze betere voorspellingen kunnen zorgverzekeraars gunstige risico’s selecteren, wat maatschappelijk ongewenst is. Om deze prikkels tot risicoselectie tegen te gaan dient de overheid de lessen van ML toe te passen bij de risicoverevening tussen verzekeraars.
Dit onderzoek is uitgevoerd door Piet Stam, Ismail Ismail, Johan Visser, France Portrait en Xander Koolman en is gepubliceerd in het vakblad voor economen ESB. In ons onderzoek maken we gebruik van de landelijke risicovereveningsdata van het model van 2018, met dank aan het Ministerie van VWS en Zorgverzekeraars Nederland.
Machine learning vereist betere risicoverevening zorgverzekeraars
Download
Je kunt de pdf ook hier downloaden. Abonnees van ESB kunnen het origineel van deze publicatie downloaden op de besloten website van ESB.
Noot
In de pdf is helaas een typefoutje geslopen: de R-kwadraat bij toepassing van het RF-algoritme is beter dan gerapporteerd en kwam in ons onderzoek uit op 33,5 procent (in plaats van 32,5 procent zoals vermeld in Tabel 1). Dit leidt verder niet tot aanpassing van de tekst van het artikel, inclusief onze conclusies en aanbevelingen.