L'un des principaux objectifs de la loi sur les soins abordables était de réduire les coûts des soins de santé en offrant aux consommateurs plus de choix par rapport à leur assureur.

La théorie économique suggère que lorsque les consommateurs font des choix éclairés et actifs dans un marché concurrentiel, les entreprises réagissent en baissant les prix et en améliorant la qualité de leurs offres.

Mais la théorie de côté, recherche empirique spectacles les consommateurs ne se comportent pas de la sorte dans la pratique, en particulier sur des marchés complexes comme l'assurance maladie.

Cette réalité fait en sorte qu'il est beaucoup plus difficile pour la politique gouvernementale de réduire le coût des soins de santé (dont une partie est payée) et de réduire les primes. Cela signifie également que de nombreuses personnes paient probablement beaucoup plus que ce qu'elles devraient payer pour l'assurance maladie.

Alors, y a-t-il quelque chose que nous pouvons faire pour aider les gens à prendre de meilleures décisions en matière d'assurance?

Dans un étude récente J'ai co-écrit avec mon collègue Jonathan Kolstad, économiste à Berkeley, pour évaluer comment les données personnalisées pouvaient aider les consommateurs à atteindre cet objectif et à rendre les marchés de la santé plus efficaces.

Beaucoup d'options, beaucoup de confusion

Contrôler les dépenses de santé - qui atteignent pour la première fois cette année des milliards de dollars US par an - est une priorité particulièrement importante pour les décideurs. La croissance des dépenses a ralenti par rapport aux moyennes historiques au moment de l’adoption de la loi ACA. accéléré.

Les autorités fédérales et étatiques ont conçu les échanges ACA pour encourager les assureurs à être concurrentiels en termes de prix et de qualité, tout en offrant aux consommateurs un plus large éventail d'options.

Plusieurs marchés de l'assurance-maladie, tels que la couverture des médicaments sur ordonnance du Plan D, font de même, tandis que les entreprises qui offrent une assurance santé offrent également de plus en plus d'options à leurs employés via échanges facilités en privé.

Mais donner aux individus plus d'options n'est qu'un premier pas. La recherche montre que les consommateurs commettent des erreurs tout en faisant leurs achats en raison du manque d'informations disponibles, compréhension limitée d'assurance ou tout simplement les tracas de celui-ci. Ces difficultés existent que les choix ne soient que quelques ou plusieurs dizaines.

Cela amène les consommateurs à partir des centaines ou même des milliers de dollars sur la table. Cela contribue également à "choix d'inertie», Dans laquelle les consommateurs peuvent faire des choix initiaux intelligents, mais ne suivent pas et ne les reconsidèrent pas activement à mesure que de nouvelles informations émergent ou que les conditions changent. Cela peut aussi leur coûter beaucoup d'argent avec le temps.

Dans notre recherche, nous avons examiné comment nous pourrions résoudre ces problèmes.

Recommandations de consommateurs ciblées

L'one-way consiste à fournir aux consommateurs des recommandations de plan spécifiques à l'utilisateur basées sur des données détaillées sur leurs besoins personnels et leurs préférences en matière de soins de santé.

L'information personnalisée est basée sur les risques de santé attendus d'un individu, l'appétit pour le risque financier et les préférences du médecin. Ces politiques mettent en évidence les meilleures options pour un consommateur donné en associant chaque choix avec des mesures que les consommateurs comprennent et se soucient facilement, telles que leurs dépenses prévues dans chaque plan au cours de l'année à venir.

L'objectif général est d'exploiter le pouvoir des données et de la technologie des consommateurs pour faire des recommandations efficaces sur les marchés de l'assurance, similaires à ce que nous voyons déjà ailleurs. Par exemple, Amazon utilise votre historique d'achat et vos données de navigation pour vous recommander des produits supplémentaires, tandis que Google traite de grandes quantités d'informations pour personnaliser les annonces personnalisées.

Des progrès ont déjà été réalisés dans la mise en œuvre de ce type de conditions sur les marchés de l'assurance.

Une préoccupation majeure, cependant, est que ces politiques ne sont pas assez efficaces. Preuves empiriques suggère que même si vous conduisez les consommateurs vers le puits d'informations, vous ne pouvez pas forcément les forcer à boire.

Smart par défaut peut être la réponse

Donc, si la fourniture de données personnalisées et de recommandations n'est pas suffisante pour aider les consommateurs à faire de meilleurs choix, une politique plus agressive pourrait-elle être efficace?

Une solution consiste à utiliser des «paramètres par défaut intelligents», qui placent automatiquement les consommateurs dans des plans préférables basés sur des informations spécifiques à l'utilisateur. Au lieu de demander aux gens d’agir en fonction des recommandations, on choisit l’option optimale.

Ces valeurs par défaut intelligentes seraient soigneusement ciblées en fonction des données personnelles de chaque individu, mais elles seraient également non contraignantes, permettant aux consommateurs de passer à une autre option à tout moment.

Les défauts intelligents que nous avons proposés dans notre document sont basés sur des données détaillées sur les caractéristiques démographiques et les besoins de santé spécifiques au consommateur et un modèle de valeur du plan de santé. Les valeurs par défaut intelligentes fonctionneraient en utilisant des données telles que les réclamations médicales passées et les informations démographiques pour évaluer s'il serait logique de passer à un autre régime. Un modèle économique et des seuils de valeur spécifiques sont établis dès le départ pour déterminer le niveau de risque à prendre et les économies à réaliser grâce à un changement.

Ce modèle économique, mis en place avec un algorithme informatique, prendrait en compte les gains financiers, l'exposition aux risques en cas d'incident médical majeur et l'accès aux bons médecins.

Si les bonnes conditions sont remplies (plus ou moins agressif), le consommateur est défaillant dans un nouveau plan. La figure à droite illustre le processus plus en détail.

Par exemple, considérons un patient diabétique inscrit dans un régime avec une prime annuelle de 4,000 $ et l'accès à un ensemble spécifique de médecins. En plus de la prime, le patient est prévu de dépenser un autre $ 2,000 par an en le partage des coûts - franchises, coptes pour les rendez-vous, les ordonnances, l'équipement pour tester la glycémie et d'autres services - jusqu'à concurrence de 8,000 $.

L'algorithme par défaut intelligent examinerait d'abord s'il existait une alternative sur le marché qui «diminuerait de manière significative» les dépenses annuelles du patient. Si le seuil était fixé à $ 1,000, l'algorithme rechercherait une option prévoyant que le patient ne dépenserait pas plus de $ 5,000 en primes et partage des coûts.

Deux autres conditions doivent également être remplies: les médecins que le patient voit devraient être dans le réseau du régime et l'option ne pouvait pas l'exposer à trop de risques financiers supplémentaires (maximum pour le partage des coûts). Donc, si le seuil de risque financier était fixé à $ 500, le plan alternatif ne devrait pas dépasser 8,500.

Le patient serait alors automatiquement inscrit au plan, avec des économies anticipées de 1,000 $ par an et le pire des cas de dépenses supplémentaires de seulement 500 $.

Jusqu'à présent, ces défauts n'ont été utilisés qu'avec parcimonie sur les marchés de l'assurance maladie. Mais dans d'autres contextes, comme aider les employés à choisir le montant de leur contribution aux régimes de retraite, les défauts intelligents ont prouvé remarquablement efficace à améliorer la qualité du choix.

Si vous avez un plan 401 (k) au travail, par exemple, il y a de bonnes chances que ce système par défaut fut utilisé pour vous mettre dans le meilleur plan pour votre situation. Cela fonctionne pour l'épargne-retraite maintenant parce que les options sont plus simples et il y a beaucoup de données.

Problèmes avec les valeurs par défaut intelligentes

Alors, pourquoi n'utilisons-nous pas les défaillances intelligentes plus largement sur les marchés de l'assurance maladie en ce moment?

Pour commencer, les décideurs et les employeurs sont probablement réticents à mettre en œuvre des politiques qui semblent conduire les choix d'assurance de manière si énergique. Par exemple, si les paramètres par défaut sont trop agressifs, de nombreux consommateurs pourraient être automatiquement inscrits dans des plans qui les rendent plus mal - même si la personne moyenne serait mieux lotie.

Une solution possible à cela est que les seuils d'auto-inscription pourraient être fixés de manière très prudente, de sorte que seuls les consommateurs ayant des gains substantiels attendus sont affectés (bien que cela réduise également les bénéfices potentiels).

Un problème plus fondamental, cependant, est le manque de données. Malheureusement, les régulateurs n'ont souvent pas le type de données de consommation en temps réel sur les risques de santé personnalisés, l'utilisation des assurances et les données démographiques nécessaires pour mettre en œuvre de manière précise les politiques de défaillance intelligente (comme dans les choix de pension). L'une des raisons est que les compagnies d'assurance refusent souvent de partager leurs données avec les autorités de réglementation au motif qu'elles sont exclusives et Cour suprême a confirmé leur position.

Dans de tels cas, les valeurs par défaut intelligentes sont toujours possibles mais offrent moins de valeur aux consommateurs et doivent être plus prudentes dans leur mise en œuvre.

Considérations supplémentaires

On sait peu de choses sur les effets de la concurrence sur le marché lorsque les choix des consommateurs sont guidés par des algorithmes plutôt que par un processus plus fluide et naturel.

Par exemple, les assureurs pourraient-ils essayer d'exploiter systématiquement les caractéristiques connues de l'algorithme pour pousser plus de gens dans leurs plans (comme avec les annonceurs interagissant avec Google)? Ou les individus finissent-ils par être moins engagés dans le processus de choix de leur propre assurance, ce qui signifie qu'ils seront moins informés sur les avantages qu'ils ont réellement et les risques associés?

Comprendre les conséquences de laisser les algorithmes informatiques faire les choix des consommateurs sera crucial pour évaluer si la mise en œuvre d'une politique comme les défauts intelligents pourrait aider les consommateurs à faire de meilleurs choix avec des inconvénients minimes. Mais ce ne sera pas possible avant que les assureurs commencent à partager des données plus détaillées avec les régulateurs.

A propos de l'auteur

Ben Handel, professeur adjoint d'économie, Université de Californie, Berkeley. Ses recherches ont étudié la prise de décision des consommateurs et la conception du marché des marchés de l'assurance maladie, et illustrent l'interaction entre la prise de décision des consommateurs et la régulation du marché.

Cet article a été publié initialement le The Conversation. Lis le article original.

Livre connexe:

at Marché InnerSelf et Amazon