Les organisations du secteur de la santé effectuent une multitude de procédés transactionnels qui affichent souvent des performances insuffisantes. Minitab accompagne les organismes de ce secteur dans l'adoption de méthodes de résolution de problèmes basées sur les données, afin d'améliorer leurs procédés. Je vais partager un exemple de la façon dont Minitab peut contribuer à faire évoluer les transactions de réclamations au moyen de la modélisation prédictive et de la simulation de Monte-Carlo.
Le temps nécessaire à la résolution d'une réclamation de soins de santé et au paiement des services rendus est une mesure clé. Améliorer l'efficacité des transactions relatives aux réclamations de soins de santé permet d'augmenter considérablement les revenus et les liquidités. Admettons que le montant médian d'une réclamation soit de 5 200 $ et que le volume moyen soit de 1 200 réclamations traitées par mois. Les intérêts s'accumulent rapidement, car chaque jour où une réclamation n'est pas payée entraîne des frais importants pour l'organisation, sans oublier la tension sur les liquidités.
La mesure de production qui nous intéresse est le temps écoulé en jours entre l'initiation et le paiement des réclamations de soins de santé. D'autres facteurs interviennent, comme la charge de travail liée aux réclamations traitées par personne et par jour, le taux d'erreur quotidien (informations manquantes, valeurs incorrectes, etc.) et les frais de transformation. Les champs de données indiquent si la réclamation a impliqué une assurance privée et si la procédure a été considérée comme une consultation externe.
Les réclamations lentes entraînent des frais pour l'organisation de diverses manières, notamment une augmentation des intérêts payés et des liquidités peu fiables. Le plan d'affaires stratégique comprenait un objectif de paiement des réclamations dans les 50 jours afin de préserver une performance financière saine. Nous avons donc procédé à une étude de capabilité afin de mesurer les performances des réclamations traitées. Ainsi, nous pouvons à présent nous attendre à ce que le procédé permette de traiter la plupart des réclamations (883 000 sur un million) en plus de 50 jours.
Comment assurer aux clients le maintien de la stabilité du procédé de réclamation sur le long terme ? Certaines causes spécifiques peuvent être à l'origine de pics dans les délais de traitement des réclamations. Des causes qui pourraient être faciles à traiter. Les variations des délais de réclamation constantes au fil du temps suggèrent une approche plus détaillée en vue d'une amélioration globale. Une carte de contrôle de la qualité constitue un excellent moyen d'évaluer la stabilité du procédé.
Les cartes individuelles et les cartes d'étendue mobile prouvent que le procédé de paiement des réclamations reste stable avec une moyenne d'environ 53 jours. Les réclamations peuvent varier de manière aléatoire entre 46 et 60 jours sans être considérées comme inhabituelles.
Les procédés transactionnels comportent souvent de multiples variables qui peuvent contribuer à modifier le délai de paiement des réclamations. Voici les meilleurs modèles à utiliser :
Une fois que les variables d'entrée ont été réduites, un modèle de régression est créé. Le modèle de régression est facile à expliquer puisqu'il s'agit d'une combinaison linéaire des entrées du modèle. Le modèle de régression pour les trois entrées explique plus de 78 % de la variation du délai de réclamation, ce qui est presque aussi bien que TreeNet®, qui est un modèle plus complexe. Les prédictions du modèle expliquent environ 75 % de la variation du délai de réclamation, comme indiqué ci-dessous.
Une fois le modèle de régression créé dans Minitab, un utilisateur de Minitab Workspace ou d'Engage peut facilement l'importer dans une simulation de Monte-Carlo. Les informations historiques sur la forme et les paramètres des trois variables d'entrée sont saisies avec l'objectif de ne pas dépasser un délai de paiement des réclamations de 50 jours. Les données peuvent facilement être utilisées pour créer automatiquement le comportement des entrées si les paramètres sont inconnus.
Une simulation Monte-Carlo est exécutée pour la valeur par défaut de 50 000 itérations, ce qui permet d'obtenir des résultats indiquant la capacité du procédé actuel, qui est médiocre, comme indiqué ci-dessus. Le recours à l'optimisation des paramètres des niveaux moyens des entrées se fait rapidement pour obtenir de bien meilleurs résultats avec des niveaux d'entrée calibrés.
L'optimisation a permis d'améliorer nettement le délai de réclamation. Désormais, moins de 1 % des réclamations dépassent l'objectif fixé. L'amélioration passe par la réduction de la charge de travail à 30 réclamations par personne et par jour, l'augmentation des efforts pour réduire les erreurs à un dixième de pour cent maximum et l'ajout de ressources qui feront passer les frais à environ 345 $ par réclamation. L'augmentation des frais et la diminution des erreurs résulteront probablement de l'embauche de plus de préparateurs. Une augmentation négligeable des frais ne représente qu'un faible pourcentage des avantages tirés de la libération du chiffre d'affaires grâce à des délais de paiement plus efficaces.
L'optimisation des paramètres est effectuée en ramenant les valeurs moyennes des entrées aux niveaux identifiés par l'algorithme d'optimisation. Une amélioration supplémentaire est possible en analysant la sensibilité du délai de réclamation à la variation des entrées concernant les paramètres moyens.
Le délai de réclamation semble être plus sensible à la variation de la charge de travail. Les parties prenantes du projet d'amélioration ont estimé qu'une réduction de 20 % de la variation peut être obtenue en mettant en place une main-d'œuvre supplémentaire pour mieux équilibrer les besoins tout au long de la semaine de travail.
La simulation a été refaite en tenant compte de cette modification, ce qui a permis de constater que les gains de capacité se traduisent par un très faible pourcentage de réclamations (0,04 %) qui dépassent l'objectif. La capacité finale (Cpk = 1,1) indique que 110 % de la distribution s'inscrira dans l'objectif du délai de traitement maximal de 50 jours, qui sera rigoureusement respecté.
Les simulations fournissent des preuves sur une population de résultats escomptés. Cependant, rien ne peut remplacer les données de confirmation. Des facteurs sont susceptibles d'influer sur les résultats, qui peuvent ne pas être connus ou difficiles à inclure dans les modèles statistiques. Les promoteurs du projet d'amélioration du délai de réclamation ont inclus la collecte de 100 observations choisies de manière arbitraire en tant qu'échantillon de confirmation et s'en sont servis pour déterminer la capacité de paiement dans le respect de l'objectif de 50 jours. Un test t à deux échantillons a démontré que la réduction du délai moyen de réclamation est très importante (p~0,000).
La capacité à payer les réclamations dans le délai de 50 jours a été considérablement améliorée, avec moins de 300 réclamations sur un million qui sont susceptibles de dépasser l'objectif.
L'objectif de ce blog était de démontrer que la modélisation et la simulation permettaient d'étudier le procédé et d'estimer l'effet des améliorations avant que les modifications ne soient effectuées.
Ces étapes permettent aux parties prenantes du procédé de s'assurer raisonnablement de la fiabilité des modifications suggérées. Dans le cas des grandes organisations de soins de santé, la valeur commerciale des améliorations pourrait se chiffrer en millions de dollars.
Les solutions Minitab utilisées dans ce blog ont facilement été déployées par des non-statisticiens et fournissent une excellente documentation pour les auditeurs et pour le partage des meilleures pratiques au sein de l'organisation.