11. INLEIDING
Een evaluatie van de uitgaven voor gezondheidszorg dient de mogelijkheid tot voorspelbaarheid op korte, middellange en langere termijn in te houden voor diverse niveaus van aggregatie. Een a posteriori analyse van historische evoluties en groeivoeten is hierbij nuttig om de diverse componenten van veranderingen te onderscheiden.
In hoofdstuk II werd reeds een methode uitgewerkt waarbij historisch gerapporteerde budgettaire groeivoeten in componenten ontbonden werden. Een aantal opmerkingen kan hierbij geformuleerd worden:
1) de logaritmische transformatie is enkel gelijk aan de groeivoet (gedefinieerd als ǻDt,t+1 / Dt) zolang de variatie in uitgaven niet te hoog oploopt;
2) de interpretatie van de ontbonden groeivoeten (IB, ICS, ICM) is complex aangezien deze gezien moet worden in samenhang met de globale (positieve of negatieve) groeivoeten van uitgaven (ID) en de overige componenten. Bijgevolg bestaat een veelheid aan mogelijke verhoudingen waarvan de interpretatie niet altijd even evident is (zie hoofstuk II);
3) in tegenstelling tot het aantal „gevallen‰, dwz het makkelijk interpreteerbare aantal ingrepen of diensten dat gepresteerd werd op het niveau van de N-code, is er geen zinvolle interpretatie voor het aantal „gevallen‰ op een hoger geaggregeerd niveau. Daarom ook is de interpretatie van ǻC = Ct+1 – Ct niet voor de hand liggend, aangezien hier sprake is van een bundeling van verschillende elementen. Daarenboven zal elke verandering van de definitie voor de onderliggende N-code(s) de geobserveerde waarden wijzigen (zie bijvoorbeeld hoofdstuk II, grafiek 2 in appendix, waarbij het aantal „gevallen‰ het hoogst oploopt voor klinische biologie en goed is voor 55% van alle diensten en ingrepen die opgenomen zijn in C1A. De optelling van medische bezoeken en laboratoriumtesten samen resulteert echter in een moeilijk interpreteerbare grootheid;
4) het aantal aangesloten verzekerden (B) is identiek voor alle elementen en kostentotalen aangezien het de weergave is van het totale aantal verzekerden op jaarbasis op nationaal niveau. Niettemin wijzigt dit aantal licht gezien de veranderingen in het aantal aangeslotenen per jaar. Dit betekent dat de ratio CS = C/B de weergave is van de globale consumptie van „gevallen‰ in de hele bevolking en dat de evolutie van ǻCM nauw zal aansluiten bij deze van ǻD, gegeven de stabiliteit van B (minder dan 1% wijziging op jaarbasis).
Het zou meer aangewezen zijn een schatting te verkrijgen van Bj met j=1N van het aantal begunstigden per jaar en per N-code. Dit zou toelaten een maatstaf te bepalen voor de evolutie van het aantal begunstigden voor een specifiek element (zie bijvoorbeeld grafieken 7 en 8 voor code 115 & 142 in appendix hoofdstuk II). Hoeveelheideffecten zouden dan opgedeeld kunnen worden in toename van aantal patiënten en toename van aantal behandelingen/prestaties per patiënt;
5) jaarlijkse groeivoeten van uitgaven variëren aanzienlijk en zijn nagenoeg nergens stabiel, maar lijken eerder cyclisch te evolueren of ze nu respectievelijk geraamd worden naar nominale uitgaven of historisch geobserveerde groeivoeten. Hiervan lijkt een goed deel te wijten aan wijzigingen in terugbetalingregels of andere maatregelen. Elke (mechanische) lineaire extrapolatie op basis hiervan zal dan ook vertekend zijn. Indien de predictieve waarde verhoogd dient te worden, moet meer aandacht gaan naar externe, causale budgettaire factoren en moet, indien mogelijk, rekening gehouden worden met verwachte wijzigingen in regelgeving in de forecastingmethode. Een voorspellende analyse stelt echter hogere eisen inzake gegevenskwaliteit en -beschikbaarheid.
12. STRATIFIERING VAN UITGAVEN
Een belangrijke aanvulling bij de tot nu beschikbare gegevens is de indeling van budgettaire posten naar leeftijdsprofiel, geslacht en sociaal statuut van patiënten. Er speelt immers een aanzienlijke correlatie tussen leeftijd en gezondheidsuitgaven. Daarenboven verschilt het type zorg en het uitgavenprofiel naar geslacht. Bovendien kan ook het sociaal statuut van de patiënt een invloed uitoefenen op zijn behoefte aan gezondheidszorg. Gezien de verwachte veroudering van de bevolking werd de beslissing genomen de uitgekeerde uitgaven voor gezondheidszorg in te delen naar leeftijd, geslacht en statuut voor een bepaalde periode (1996-2003). Hiertoe werd gebruik gemaakt van cijfermateriaal dat ingezameld werd bij het IMA, het Intermutualistisch Agentschap van de verschillende publieke verzekeringsinstellingen (VIs). Deze gegevensopmaak geldt als voorwaarde om de predictieve proefprojecten beschreven in hoofdstuk IV en V, uit te kunnen voeren. Om redenen van consistentie werd in eerste instantie besloten de bestaande courant gehanteerde classificatie in zogenaamde „C-codes‰ te hanteren van het RIZIV. In de IMA gegevens worden de uitgaven echter bepaald op prestatiedatum en niet volgens boekingsdatum van de betrokken factuur zoals in de ons ter beschikking gestelde RIZIV gegevens. Elke nomenclatuurcode (N-code) wordt opgesplitst naar leeftijd, geslacht en statuut van de betrokken patiënten. De combinatie van deze voornoemde elementen vormt een „cel‰ of „stratum‰. De N- Codes werden vervolgens geaggregeerd per cel (dagen, gevallen en bedragen). Aansluitend werd het aantal verzekerde personen per cel bepaald om zo de „totale populatie‰ per cel te bekomen. De resultante hiervan bestaat uit twee afzonderlijke elektronische bestanden, één met betrekking tot uitgaven en één betreffende „de totale populatie‰ per stratum. Hierbij werd een specifieke variabele opgenomen om het onderscheid tussen ziekenhuisuitgaven en ambulante uitgaven te maken op basis van Code-C niveau 4.
Tabel 1. IMA-Uitgaven en populatie: structuur van de bestanden
Uitgaven Bestand Verzekerden (referentiepopulatie) Bestand
Jaar Jaar
C code (3 cijfers) C code (4e cijfer)
Status Verzekerde (KG1) Status Verzekerde(KG1) Status Verzekerde (KG2) Status Verzekerde (KG2
Geslacht Geslacht
Leeftijd Leeftijd
Bedrag (Euro) # verzekerden
Gevallen ( aantal gepresteerde codes) Dagen (indien van toepassing)
Hier moet opgemerkt worden dat de bestaande gepubliceerde RIZIV gegevens of beschikbare databestanden per C-code geen veld hebben waarin het aantal patiënten vermeld is dat de betrokken uitgaven veroorzaakt heeft.
De data werden geaggregeerd per cel, wat impliceert dat geen patiëntendata op individueel niveau aanwezig zijn in de bestanden. Zo vinden we bijvoorbeeld 2251 verzekerenden voor de cel leeftijd=26, KG1=KG2=100 en geslacht=1 en jaar=2003. De twee bestanden zijn niet „ individueel verbonden‰ in die zin dat een welbepaalde prestatie niet „toegekend‰ wordt aan een specifiek individu in dezelfde cel.
Deze gegevens zijn bovendien de bouwstenen voor de specifieke econometrische schattingen in de volgende hoofdstukken.
Daarentegen gebruiken economische en econometrische modellen typisch (vaak uitgebreide) chronologische reeksen, uitgedrukt als „reële‰ uitgaven, dwz na correctie voor „zuivere‰ prijseffecten, gelijkaardig aan bijvoorbeeld de consumptie-uitgaven die aangepast worden voor inflatie met de consumptieprijsindex. Men kan de reeksen van „reële‰ uitgaven aanwenden om de uitgavenevolutie te schatten in „pseudo-volumes‰, waardoor men voorbijgaat aan de noodzaak met fysieke hoeveelheden te werken en de hieraan verbonden aggregatieproblemen zoals hierboven aangehaald.
Dit betekent echter dat voorafgaandelijk geschikte prijsindices gedefinieerd en samengesteld moeten worden voor de diverse aggregatieniveaus van uitgaven. Deze aanpak wordt geïllustreerd in het volgende deel en hierbij toegepast op twee concrete casussen: dialyse en palliatieve zorgen.