Verslag RAN-meeting 2025

Stanford University, 10-13 september
Campus Woudestein with trees with red leaves and students walking through wooden benches

Van 10 t/m 13 september is op Stanford University het Risk Adjustment Network (RAN) bijeengeweest. Dit netwerk bestaat uit circa 30 onderzoekers en vereveningsexperts uit  Australië, België, Duitsland, Ierland, Israël, Nederland, Zwitserland en de V.S. 

De meeting ging van start met de ‘country updates’ waarin de deelnemende landen elkaar hebben bijgepraat over internationale ontwikkelingen op het terrein van risicoverevening en zorgverzekeringen. Namens Nederland hadden Richard van Kleef en Anja Withagen-Koster een presentatie voorbereid over de veranderingen in het Nederlandse risicovereveningssysteem per 2026 en de belangrijkste ontwikkelingen op de zorgverzekeringsmarkt. In de presentaties over andere landen werden onder andere de volgende ontwikkelingen genoemd: 

  • Australië: het vereveningssysteem in de Australische markt voor private zorgverzekeringen is louter gebaseerd op ex-post kostencompensaties. Recent is een alternatief systeem voorgesteld dat bestaat uit een combinatie van ex-ante risicoverevening en ex-post kostencompensaties. Dit alternatieve systeem kan de prikkels voor risicoselectie verminderen en de prikkels voor doelmatigheid vergroten. Tot op heden is het voorstel echter nog niet overgenomen.
  • Duitsland: het vereveningssysteem in de Duitse basisverzekering is in 2021 uitgebreid met een brede set van morbiditeitsindicatoren. Dit heeft geleid tot een verbetering van de verevenende werking. Uit onderzoek van Schindler et al. (2025) blijkt echter dat het vereveningsmodel niet volledig compenseert voor voorspelbare winsten en verliezen: voor verzekerden met <1000 euro zorgkosten in het voorgaande jaar (56% van de populatie) resteert een overcompensatie van gemiddeld 400 euro per verzekerde.
  • Ierland: het vereveningssysteem in Ierland bevat geen morbiditeitsindicatoren en schiet daardoor tekort in het compenseren voor voorspelbare winsten en verliezen. Dit heeft geleid tot een grote mate van productdifferentiatie op de Ierse markt voor private zorgverzekeringen. Op korte termijn zijn geen aanpassingen voorzien.
  • Israël: het vereveningssysteem in Israël compenseert hoofdzakelijk voor leeftijd en geslacht en schiet daardoor tekort. Ook hier zijn voorlopig geen aanpassingen voorzien.
  • Zwitserland: het vereveningssysteem in Zwitserland is in 2020 uitgebreid met Farmacie Kosten Groepen (FKG) conform de Nederlandse FKG-indeling. Uit recent onderzoek blijkt dat dit heeft geleid tot een sterke verbetering van het Zwitserse model.
  • Verenigde Staten: onlangs heeft een uitgebreide evaluatie plaatsgevonden van het vereveningssysteem in Medicare Advantage. Hieruit blijkt dat het vereveningssysteem niet volledig compenseert voor de zelfselectie van relatief gezonde verzekerden tussen Medicare Advantage en Traditional Medicare. Het rapport wijst ook op ‘upcoding’ door verzekeraars. Men is hard op zoek naar oplossingen voor deze problemen.

Vervolgens zijn diverse lopende onderzoeken gepresenteerd en bediscussieerd: 

  • Lukas Kauer gaf een presentatie over de relatie tussen risicoverevening en premies. (Titel: It’s All Connected: Risk Equalization and Premium Setting – How Insurers Respond to Financing Reform) Hij liet onder andere zien dat verzekeraars bij hun premiestelling rekeninghouden met de vereveningsbijdrage. Hij deed dat op basis van onderzoek in Zwitserland waar de wet de mogelijkheid biedt voor verzekeraars om een premiekorting te geven aan jongeren. Echter, omdat de risicoverevening volledig corrigeerde voor het verschil in gemiddelde zorgkosten tussen jongeren en ouderen hadden verzekeraars geen financiële ruimte om zo’n korting te geven. Om de korting alsnog mogelijk te maken, heeft de Zwitserse overheid de vereveningsbijdrage voor jongeren verhoogd. Verzekeraars geven nu inderdaad een premiekorting aan jongeren.
  • Sonja Schillo gaf een presentatie over de uitkomsten van een recente evaluatie van het Duitse vereveningsmodel (titel: Evaluation of Reform Elements of the German RA-System) Zij liet onder andere zien dat de forse uitbreiding van de morbiditeitsindicatoren in het Duitse vereveningsmodel per 2021 heeft geleid tot een betere compensatie voor met name de groep verzekerden die onder het oude model niet in een morbiditeitsklasse werd ingedeeld maar onder het nieuwe model wel.
  • Josefa Henriquez gaf een presentatie over de effecten van het differentiëren de incrementele premie van extra verzekeringsdekking. (Titel: Can Risk-Rating of Incremental Premiums Improve Consumer Sorting Across Coverage Options in Mandatory Health Insurance Markets?) Zij liet onder andere zien dat het differentiëren van de premiekorting voor een vrijwillig eigen risico naar leeftijd en gezondheid positieve effecten kan hebben. Ouderen en ongezonden (met relatief hoge zorgkosten onder het eigen risico) ontvangen dan een hogere premiekorting dan jongeren en gezonden (met relatief lage zorgkosten onder het eigen risico). Echter, dit gaat alleen op als de risicoverevening verzekeraars volledig compenseert voor voorspelbare verschillen in zorgkosten boven het eigen risico. Als dat niet het geval is dan kunnen de voorspelbare winsten en verliezen die resteren na risicoverevening tot uitdrukking komen in de gedifferentieerde premiekorting, met nadelige effecten. Voor ouderen en chronisch zieken zou de premiekorting dan zelfs negatief kunnen worden.
  • Sherri Rose gaf een presentatie over de mogelijkheden van Machine Learning en Kunstmatige Intelligentie (AI) voor vereveningsmodellen. (Titel: Recent Advances in Machine Learning & AI for Risk Adjustment) Zij liet onder andere zien dat de afgelopen decennia verschillende publicaties zijn verschenen over het gebruik van Machine Learning voor risicoverevening. Het aantal publicaties blijft echter sterk achter bij andere toepassingsgebieden van Machine Learning. In de risicovereveningsliteratuur wordt een onderscheid gemaakt tussen twee toepassingen van Machine Learning: 1) het vinden van potentieel interessante risicoklassen en interactietermen en 2) het voorspellen van zorgkosten als basis voor de vereveningsbijdrage. Uit de discussie bleek dat de RAN-leden in de eerste toepassing meer heil zien dan in de tweede. Binnen de risicoverevening ziet Sherri vooralsnog geen rol weggelegd voor generatieve AI.
  • Oana Enache gaf een presentatie over nieuwe methoden voor het opsporen van ‘upcoding’ (Titel: Time-to-Event Estimation with Unreliably Reported Events in Medicare Health Plan Payment) Zij liet onder andere zien dat de methoden die zij ontwikkelt in haar proefschrift kunnen helpen bij het traceren van veranderingen in ‘coding behavior’ als gevolg van risicoverevening. De hypothese daarbij is dat door het opnemen van een diagnose als morbiditeitsindicator in het vereveningsmodel die diagnose vaker wordt geregistreerd. In de V.S. blijkt dat inderdaad het geval.
  • Richard van Kleef gaf een presentatie over het effect van constrained regression in het Nederlandse vereveningsmodel (Titel: Constrained Regression in the Dutch Risk Equalization Model: Effects on Selection Incentives and Power of Incentives for Price- and Volume Control.) Hij liet zien dat het door de invoering van constrained regression aantrekkelijker is geworden voor verzekeraars om zich te richten op chronisch zieken. Tegelijkertijd neemt de power van het vereveningssysteem iets af en ontstaan onder/overcompensaties op de risicoklassen van het vereveningsmodel. Uit de discussie bleek dat er internationaal veel belangstelling bestaat voor de invoering en impact van constrained regression in het Nederlandse vereveningsmodel.
  • Michael McWilliams gaf een presentatie over de hervorming van ‘Medicare Advantage’, de Amerikaanse sociale zorgverzekering voor ouderen. (Titel: Reforming Medicare Advantage). Hij liet onder andere zien dat verzekeraars in Medicare Advantage perverse prikkels ondervinden. Doordat de risicoverevening niet volledig compenseert voor voorspelbare winsten en verliezen bestaan er prikkels tot risicoselectie. En doordat verzekeraars (via zorgaanbieders) invloed kunnen uitoefenen op de diagnose-informatie die als basis dient voor de morbiditeitsindicatoren in het vereveningsmodel, bestaan er substantiële prikkels voor ‘upcoding’ (d.w.z. het registeren van een zwaardere diagnose met als doel een hogere vereveningsbijdrage te genereren).  Michael droeg een aantal oplossingsrichtingen aan zoals het gebruik van informatie uit gezondheidsenquêtes in de vereveningsformule, het toepassen van constrained regression, en het inzetten van slimme ex-post kostencompensaties. Joseph Newhouse en Wynand van de Ven traden op als discussianten. Uit de discussie kwamen interessante ideeën naar voren zoals het inzetten van Hoge Risico Verevening bij het tegengaan van selectieprikkels en het inzetten van beloningen aan consumenten voor het aankaarten van ‘upcoding’.
  • Andreea Panturu gaf een presentatie over de mogelijkheden en effecten van het gebruik van eerstelijns diagnose-informatie in vereveningsmodellen. (Titel: The Design and Evaluation of a New Morbidity Classification for Risk Adjustment Models) Zij liet zien dat het gebruik van dergelijke informatie kan leiden tot een vermindering van selectieprikkels en een versterking van doelmatigheidsprikkels. De vermindering van selectieprikkels is te danken aan de extra voorspelkracht die eerstelijns diagnose-informatie kan toevoegen aan bestaande vereveningsmodellen. De versterking van doelmatigheidsprikkels komt tot stand doordat bestaande vereveningskenmerken die onderhevig zijn aan perverse prikkels minder belangrijk worden.
  • Reyn Wagenaar gaf een presentatie over het verbeteren van de voorspelkracht van vereveningsmodellen. (Titel: Advancing Risk Equalization: From Homogenous Groups to Predictive Precision) Hij liet onder andere zien dat Machine Learning technieken kunnen leiden tot een hogere R-kwadraat. Een kanttekening bij het onderzoek is echter dat de R-kwadraat is berekend op hetzelfde databestand als waar de Machine Learning modellen op zijn gekalibreerd. Een belangrijke vraag is wat er overblijft van de verbetering van de R-kwadraat wanneer deze ‘out-of-sample’ wordt berekend.
  • Wynand van de Ven gaf een presentatie over het effect van risicoverevening op de prikkels voor preventie. (Titel: Risk Equalization and Prevention) Hij maakte korte metten met de heersende misvatting dat risicoverevening de prikkels voor verzekeraars om aan preventie te doen volledig wegneemt. Bij een prospectief vereveningsmodel zoals in Nederland resteren er substantiële prikkels voor verzekeraars om preventie te bevorderen. Dit heeft onder andere te maken met het zogenaamde ‘eerstejaarsrisico’. Voor de meeste aandoeningen geldt dat de kosten in het jaar waarin de aandoening zich voor het eerst manifesteert (veel) hoger zijn dan de vereveningsbijdrage. Het voorkomen van aandoeningen leidt daardoor in het eerste jaar tot een substantiële kostenbesparing. Hoe de besparing in latere jaren uitpakt is een empirische vraag.
  • Tom McGuire gaf een presentatie over gereguleerde concurrentie in de Verenigde Staten en Europa. (Titel: Regulated Competition in Individual Health Insurance Markets on Two Sides of the Atlantic) Hij liet zien dat er naast de vele overeenkomsten ook grote verschillen bestaan tussen de individuele verzekeringsmarkten aan weerszijden van de Atlantische oceaan. In tegenstelling tot de basisverzekeringen in Duitsland, Nederland en Zwitserland kent de Affordable Care Act geen verzekeringsplicht en biedt het verzekeraars meer instrumenten voor zorginkoop. Daarnaast zijn verzekeraars in de V.S. doorgaans meer georiënteerd op winst dan verzekeraars in de drie Europese landen.
  • Sebastiaan de Ranitz gaf een presentatie over de relatie tussen zorgkosten van verzekerden en hun voorkeuren ten aanzien van de basisverzekering. (Titel: The Relationship Between Preferences for Health Insurance and Costs – A Missing Piece in the Puzzle of Determining Incentives for Indirect Risk Selection?) Hij liet onder andere zien dat de verzekerden die ‘premie’ relatief belangrijk vinden weinig zorgkosten maken. Verzekerden die ‘vergoeding’ relatief belangrijk vinden maken juist veel zorgkosten. De correlatie tussen voorkeuren en zorgkosten draagt bij aan de prikkels voor verzekeraars om via de vormgeving van zorgpolissen aan risicoselectie te doen. Het goede nieuws is echter dat het onderzoek van Sebastiaan laat zien dat de risicoverevening grotendeels corrigeert voor de genoemde correlatie.
  • Dennis Häckl gaf een presentatie over de potentiële effecten van het toevoegen van Farmacie Kosten Groepen aan het Duitse vereveningsmodel. (Titel: Rethinking Morbidity Representation: GP vs. Specialist Diagnoses and Pharmacy Data in Risk Adjustment) Hij liet zien hoe het toevoegen van Farmacie Kosten Groepen kan leiden tot zowel een vermindering van de prikkels tot risicoselectie als de prikkels tot manipulatie. De vermindering van selectieprikkels is te danken aan de extra voorspelkracht die Farmacie Kosten Groepen kunnen toevoegen aan het vereveningsmodel. De vermindering van prikkels tot manipulatie komt tot stand doordat het belang van de morbiditeitskenmerken die onderhevig zijn aan dergelijke prikkels afneemt.
  • Randall Ellis gaf een presentatie over het aggregeren van microdatabestanden. (Titel: Pooling Cross Product Matrices to Maintain Confidentiality While Enabling Data Sharing and Enhanced Linear Predictive Models) Hij liet onder andere zien dat bestanden met informatie op individuniveau efficiënter kunnen worden ‘verpakt’ door individuen met exact dezelfde vereveningskenmerken (X-variabelen) te aggregeren naar één regel. Op die regel worden vervolgens de gemiddelde zorgkosten (Y-variabele) van deze individuen opgenomen alsmede de som van het aantal verzekerdenjaren waarop de regel betrekking heeft. Randall liet zien dat een lineaire regressie met [Y = zorgkosten, X = vereveningskenmerken en WEIGHT = aantal verzekerdenjaren] op dit bestand exact dezelfde normbedragen geeft als op het originele bestand met informatie op individuniveau. Een voordeel van een geaggregeerd bestand is dat het veel minder opslagruimte inneemt. Daarnaast is een geaggregeerd bestand minder privacygevoelig.

NB: het bovenstaande verslag is opgesteld door Richard van Kleef. De inhoud vormt een afspiegeling van wat Richard heeft meegenomen uit de presentaties.  

Vergelijk @count opleiding

  • @title

    • Tijdsduur: @duration
Vergelijk opleidingen