Se necesitan datos sobre la transparencia de los precios de la atención médica para permitir que los consumidores compren productos de atención médica.

La reciente Regla de Transparencia en la Cobertura marca un cambio monumental en la atención médica al exigir que las compañías de seguros de salud revelen los precios al público. Estos datos de precios se proporcionan a través de archivos legibles por máquina que contienen los costos de diferentes artículos y servicios para proveedores en todo Estados Unidos. A pesar de este importante avance, los consumidores todavía no pueden utilizar los datos en la práctica.

El primer obstáculo para una transparencia de precios viable son las importantes inconsistencias en los datos sobre transparencia de precios. A pesar de los formatos de informes estandarizados de los Centros de Servicios de Medicare y Medicaid (CMS), los datos de transparencia de precios de las compañías de seguros frecuentemente contienen tarifas negociadas muy diferentes para exactamente el mismo procedimiento, plan de seguro y proveedor. Estas discrepancias pueden ascender a miles de dólares incluso para los códigos de facturación más simples sin un motivo claro. Por ejemplo, un análisis de Ciertamente Health reveló que los datos de United Healthcare contienen precios diferentes para una visita médica estándar de 30 minutos (código de facturación 99213) para el 46 por ciento de los proveedores en Nueva York.

Los analistas han deducido que algunas tarifas varían implícitamente en función de diferentes factores como el diagnóstico del paciente o el tipo de proveedor que presta el servicio. Pero cualquier contexto para explicar las diferencias es completamente opaco y socava la confiabilidad de la información. Mientras tanto, cualquier aplicación que aproveche estos datos debe recurrir al análisis de los datos de reclamaciones para adivinar qué tarifa es correcta antes de mostrársela al consumidor. Una propuesta sencilla para resolver este problema sería exigir precios únicos para cada combinación de proveedor y código de procedimiento junto con el contexto necesario para explicar cualquier variación.

Otro desafío importante a la hora de aprovechar estos datos es la falta de acceso a información detallada sobre seguros para los pacientes. Las compañías de seguros implementan algoritmos de caja negra para determinar automáticamente la responsabilidad del paciente por un gran segmento de reclamos como parte de un proceso llamado adjudicación. En algunos casos, este proceso puede denegar reclamaciones de forma incorrecta. De todos modos, es extremadamente engorroso, o incluso imposible, incluso para los proveedores de atención médica determinar con confianza cómo las compañías de seguros calcularán el costo de bolsillo del paciente antes de presentar un reclamo.

Para permitir a los consumidores comparar precios entre proveedores, se debe exigir a las compañías de seguros que proporcionen API públicas para recuperar la responsabilidad del paciente y las reglas de elegibilidad según códigos de procedimiento específicos. Para minimizar la complejidad y maximizar la confianza en el resultado, estos requisitos podrían comenzar con procedimientos y servicios más simples donde la autoadjudicación sea factible. Con acceso a dichas API, los datos de transparencia de precios podrían aplicarse al seguro específico de cada paciente, de modo que los consumidores puedan comparar proveedores y comprender qué servicios están cubiertos junto con los gastos de bolsillo correspondientes.

Finalmente, considere que el paciente promedio no tiene idea de cómo los tratamientos potenciales se traducen en códigos de facturación, que son necesarios para comparar los costos de bolsillo esperados entre los proveedores. Incluso si pudieran adivinar los códigos de facturación probables con anticipación, el médico puede descubrir otros problemas y diagnosticar diferentes tratamientos durante la visita que afectan el costo. Aquí es donde los modelos de IA entrenados en datos de reclamaciones podrían desempeñar un papel transformador al predecir posibles rutas de tratamiento con procedimientos y costos que probablemente sean aplicables a la condición de un paciente.

Existe un impulso regulatorio bipartidista a nivel nacional y un apoyo generalizado entre los estadounidenses a la transparencia de los precios de la atención médica. Con los avances en IA, estamos más cerca que nunca de capacitar a los consumidores para que realmente compren atención médica con precios iniciales. Sin embargo, los formuladores de políticas y los consumidores deben reconocer que aprovechar todo el potencial de la transparencia de precios depende de mejorar la precisión y accesibilidad de los datos de seguros de salud. Sólo entonces los datos sobre transparencia de precios podrán ser procesables para que los consumidores tomen decisiones informadas sobre su atención médica.

Kevin Chiu es el cofundador y director ejecutivo de Ciertamente salud. Trabajó en Uber durante siete años, donde fue ingeniero fundador de Uber Health después de graduarse de la Universidad de Stanford.

Las opiniones expresadas en este artículo son propias del autor.