Autorenbiografie: Rob Lievense
Rob Lievense ist Solutions Architect bei Minitab. Hier arbeitet er mit großen Organisationen zusammen, um mit ihnen Lösungen für ihre technischen Anforderungen zu entwickeln. Rob hat über 25 Jahre Erfahrung mit datengestützten Ansätzen zur Verbesserung in Wirtschafts- und Regierungsorganisationen. Er hat Vorträge bei verschiedenen Konferenzen gehalten und eine Reihe von Papers sowie ein Buch veröffentlicht.
In Organisationen im Gesundheitsbereich gibt es eine Vielzahl von Transaktionsprozessen, bei denen die Leistung häufig nicht optimal ist. Minitab unterstützt viele Gesundheitsorganisationen dabei, datengestützte Methodologien für die Problemlösung einzusetzen, um solche Transaktionsprozesse zu verbessern. Ich werde hier ein Beispiel dafür vorstellen, wie dank Minitab Transaktionen für Versicherungsfälle mit Hilfe von prädiktiven Modellen und Monte-Carlo-Simulationen beschleunigt werden können.
Zeit bis zum Ausgleichen von Versicherungsfällen verkürzen
Die Zeit für die Regulierung eines Versicherungsfalls im Gesundheitswesen und bis zur Bezahlung der jeweiligen Leistungen ist ein wichtiger Messwert. Eine Verbesserung der Effizienz bei Transaktionen für Versicherungsfälle kann zu einer wesentlichen Verbesserung von Ertrag und Cashflow führen. Angenommen, der Median-Betrag für einen Versicherungsfall beträgt 5.200 $, und durchschnittlich werden 1.200 Versicherungsfälle pro Monat bearbeitet. Die Kosten für Zinsen steigen mit jedem Tag, den der Versicherungsfall nicht reguliert wird, was zu erheblichen Kosten für die Organisation sowie zu einer Beeinträchtigung des Cashflows führt.
Der Ausgabewert, der hier von Interesse ist, ist die vergangene Zeit in Tagen vom Einreichen bis zum Ausgleichen von Krankenversicherungsfällen. Andere betrachtete Faktoren sind die Anzahl der bearbeiteten Versicherungsfälle pro Person und Tag, die tägliche Fehlerrate (fehlende Informationen, falsche Werte usw.) und die Kosten für die Bearbeitung. Datenfelder geben an, ob bei dem Versicherungsfall eine private Krankenversicherung beteiligt ist und ob es sich um eine ambulante Behandlung handelt.
Zur englischen Webinar-Aufzeichnung: Improve Healthcare Services and Patient Outcomes with the Power of Data Analysis >
Zusammenfassung
Eine langsame Bearbeitung der Versicherungsfälle ist für die Organisation auf mehreren Ebenen kostspielig, u. a. durch höhere Zinszahlungen und unzuverlässige Cashflows. Der strategische Businessplan in diesem Fall umfasste das Ziel, Versicherungsfälle innerhalb von 50 Tagen auszugleichen, um eine robuste Finanzperformance zu erreichen. Hierfür wurde mit einer Prozessfähigkeitsanalyse bestimmt, wie gut das Ziel durch die Grundgesamtheit der bearbeiteten Versicherungsfälle erfüllt wird. Das Ergebnis zeigt, dass die Bearbeitung eines Großteils der Versicherungsfälle (883.000 von 1 Million) in diesem Prozess erwartungsgemäß länger als 50 Tage dauert.
Stabilität des Prozesses für Versicherungsfälle aufrechterhalten
Wie kann der Kunde sicherstellen, dass die Stabilität des Prozesses für Versicherungsfälle über einen längeren Zeitraum erhalten bleibt? Möglicherweise gibt es Ausnahmebedingungen, die die Spitzenwerte bei der Bearbeitungsdauer von Versicherungsfällen verursachen und leicht behoben werden können. Eine dauerhafte Streuung bei der Bearbeitungsdauer weist hingegen darauf hin, dass eine detailliertere Analyse benötigt wird, um eine allgemeine Verbesserung zu erreichen. Eine Regelkarte für die Qualität stellt eine gute Möglichkeit dar, die Prozessstabilität zu beurteilen.
Die Einzelwertkarte mit gleitender Spannweite zeigt, dass der Prozess für Versicherungsfälle stabil ist und die durchschnittliche Dauer bei 53 Tagen liegt. Die Bearbeitungsdauer von einzelnen Versicherungsfällen kann zufällig zwischen 46 und 60 Tagen schwanken, ohne dass dies als Sonderfall betrachtet wird.
Regressionsmodell erstellen
Häufig umfassen Transaktionsprozesse eine Vielzahl von Variablen, die zu Änderungen bei der Zeit bis zum Ausgleichen des Versicherungsfalls beitragen können. Die folgenden Modelle sind in solchen Fällen am besten geeignet:
- Die prädiktive Analyse ist eine äußerst hilfreiche Lösung, um den Blick auf Variablen mit dem größten Einfluss zu lenken.
- Das automatisierte maschinelle Lernen (machine learning) ist einfach anzuwenden und gleichzeitig eine leistungsstarke Möglichkeit zum Anpassen eines geeigneten Modells.
- Mit dem TreeNet-Modell erstellt werden. Das Regressionsmodell lässt sich leicht erklären, da es sich um eine lineare Kombination der Modelleingaben handelt. Das Regressionsmodell für die drei Eingaben erklärt über 78 % der Änderungen bei der Bearbeitungsdauer, was fast so gut wie beim komplexeren TreeNet-Modell ist. Prognosen aus dem Modell erklären rund 75 % der Streuung bei der Bearbeitungsdauer, wie unten dargestellt.
Nachdem die Eingabevariablen reduziert wurden, konnte ein Regressionsmodell erstellt werden. Das Regressionsmodell lässt sich leicht erklären, da es sich um eine lineare Kombination der Modelleingaben handelt. Das Regressionsmodell für die drei Eingaben erklärt über 78 % der Änderungen bei der Bearbeitungsdauer, was fast so gut wie beim komplexeren TreeNet-Modell ist. Prognosen aus dem Modell erklären rund 75 % der Streuung bei der Bearbeitungsdauer, wie unten dargestellt.
Zur englischen Webinar-Aufzeichnung: See the Unknown with Monte Carlo Simulation
Daten mit einer Monte-Carlo-Simulation optimieren
Nachdem das Regressionsmodell in Minitab erstellt wurde, kann ein Workspace- oder Engage-Benutzer es ganz einfach in eine Monte-Carlo-Simulation importieren. Die historischen Informationen zu der Form und den Parametern der drei Eingabevariablen werden gemeinsam mit dem Ziel (maximal 50 Tage Bearbeitungsdauer für Versicherungsfälle) eingegeben. Anhand der Daten kann ganz bequem automatisch das Verhalten der Eingaben generiert werden, wenn Parameter unbekannt sind.
Die Monte-Carlo-Simulation wird mit dem Standardwert von 50.000 Iterationen durchgeführt. Die Ergebnisse zeigen, dass die Fähigkeit des aktuellen Prozesses, wie bereits oben festgestellt, mangelhaft ist. Eine Parameteroptimierung der mittleren Stufen der Eingaben ist schnell ausgeführt und führt zu besseren Ergebnissen mit den verbesserten Eingabestufen.
Verbesserungen optimieren
Durch die Optimierung konnte die Bearbeitungsdauer wesentlich verbessert werden. Jetzt liegen weniger als 1 % der Versicherungsfälle über dem Zielwert. Für diese Verbesserung muss die Arbeitsauslastung auf 30 Versicherungsfälle pro Person und Tag reduziert werden. Es muss außerdem versucht werden, Fehler auf unter ein Zehntel Prozent zu senken, und es müssen Ressourcen hinzugefügt werden, durch die die Kosten pro Versicherungsfall auf ca. 345 $ steigen. Die höheren Kosten und geringere Fehlerrate werden wahrscheinlich durch die Einstellung von mehr Sachbearbeitern erreicht. Die geringe Kostensteigerung stellt nur einen kleinen Prozentsatz des allgemeinen Gewinns da, der durch einen höheren Ertrag aufgrund einer effizienteren Bearbeitungszeit erzielt wird.
Die Parameteroptimierung erfolgt, indem die Durchschnittswerte der Eingaben auf die Stufen verschoben werden, die durch den Optimierungsalgorithmus ermittelt wurden. Eine weitere Verbesserung ist möglich, indem die Empfindlichkeit der Bearbeitungsdauer gegenüber Streuung in den Eingaben um die mittleren Einstellungen herum analysiert wird.
Die Bearbeitungsdauer scheint am empfindlichsten gegenüber einer Streuung bei der Arbeitsauslastung zu sein. Stakeholder des Verbesserungsprojekts ermittelten, dass eine Reduzierung der Streuung um 20 % erreicht werden kann, indem zusätzliches Personal bereitgestellt wird, um die Auslastung im Laufe einer Woche besser ausgleichen zu können.
Eine neue Durchführung dieser Simulation unter Berücksichtigung dieser Änderung zeigte Gewinne bei der Prozessfähigkeit und führte dazu, dass nur ein äußerst geringer Anteil der Versicherungsfälle (0,04 %) den Zielwert überschritten. Der endgültige Wert für die Prozessfähigkeit (Cpk = 1,1) zeigt, dass 110 % der Verteilung innerhalb des Ziels einer maximalen Bearbeitungsdauer von 50 Tagen liegt. Diese Vorgabe wird sehr gut erfüllt.
Ergebnisse mit einem t-Test bestätigen
Simulationen bieten Belege für eine erwartete Grundgesamtheit von Ergebnissen, sie sind jedoch kein Ersatz für eine Bestätigung durch Daten. Es gibt Faktoren, die die Ausgabe beeinflussen können, aber möglicherweise unbekannt sind oder schwer in statistische Modelle eingebunden werden können. Bei dem Verbesserungsprojekt für die Bearbeitung von Versicherungsfällen wurden 100 zufällige Beobachtungen als Bestätigungsstichprobe erfasst. Auf deren Grundlage konnte die Fähigkeit des Prozesses bestimmt werden, Versicherungsfälle innerhalb des Zielwerts von 50 Tagen auszugleichen. Ein t-Test mit zwei Stichproben zeigte, dass eine Reduzierung der durchschnittlichen Bearbeitungsdauer äußerst signifikant ist (p~0,000).
Mit unter 300 Versicherungsfällen pro Million, die möglicherweise den Zielwert überschreiten, wurde die Fähigkeit, Versicherungsfälle innerhalb des Zielwerts von 50 Tagen auszugleichen, deutlich verbessert.
Schlussfolgerung
Ich hoffe, dieser Blog-Artikel konnte zeigen, dass Modellierung und Simulationen eine Untersuchung des Prozesses und ein Abschätzen der Effekte von Verbesserungen ermöglichen, bevor Änderungen umgesetzt werden. Dank dieser Schritte erhalten Stakeholder des Prozesses eine gewisse Sicherheit in Bezug auf die Robustheit der vorgeschlagenen Änderungen. Bei großen Organisationen im Gesundheitswesen kann der Wert der Verbesserungen für das Unternehmen leicht Millionen von Dollar erreichen. Die in diesem Artikel beschriebenen Minitab-Lösungen konnten problemlos von Mitarbeitern ohne statistische Fachkenntnisse herangezogen werden und bieten eine hervorragende Dokumentation für Auditoren und zur Kommunikation von Best Practices im Unternehm.