SANEXIOBlog.

Wir sind schnell, kommunikativ und professionell. Mit einem Ohr immer am Puls der Forschung, den Fokus auf den Code und den Fingerspitzen am Design entwickeln wir Deine persönlichen Gesundheits-Apps.

Dr. S. Stracke, MBA

Geschäftsführung.

Dr. U. Hoppe, MBA

Management & Beratung.

F. Ebert

IT & Systemadministration.

T. Kohlweyer

Entwicklung & Design.

Vor- und Nachteile abhängiger sowie unabhängiger Selektivverträge

Wie soll nun die im letzten Kapitel angesprochene Vertragsausgestaltung aussehen? Im Bereich der Warenterminbörsen gibt es im landwirtschaftlichen Sektor Verträge, die von ihrem prinzipiellen Aufbau eine Vorlage hierfür abgeben könnten. In Analogieschluss zu dem „Agricultural Contracting" können für unser Modell dann zwei Typen von Verträgen konzipiert werden. Der wesentliche Unterschied zwischen den beiden Arten von Verträgen, ist die Frage, welcher der beiden Parteien die Verantwortung über die Prozesse der Dienstleistungserstellung besitzt. Dies hat nämlich direkte Auswirkungen auf die Ausgestaltung des Vertrages. Wir unterscheiden im Folgenden nun einen abhängigen Selektivvertrag und den einen unabhängigen Selektivvertrag, wobei der abhängige Vertrag eine viel komplexere Anordnung erfordert.

Weiterlesen: Vor- und Nachteile abhängiger sowie unabhängiger Selektivverträge

Selektivverträge als unterstützende Komponente der Risikominimierung

Die demographische Entwicklung, der medizinische Fortschritt sowie die Tatsache, dass immer weniger sozialversicherungspflichtige Beschäftige eine immer größer werdende Gruppe von Rentnern mitversorgen müssen, sind der Grund für immer wieder neue Gesundheitsreformen, die allerdings im wesentlichen immer nur wieder an den gleichen Stellschrauben drehen. Diese wurden als Finanzierungsproblem gleich zu Anfang dieser Arbeit identifiziert und näher erläutert. Healthcare-Futures könnten nun eine Risikoabsicherung ermöglichen, mit denen die Beteiligten des Gesundheitswesen nicht nur unvorhergesehene Kosten in den Griff bekommen können, sondern gleichzeitig auch Geld aus anderen Bereichen in den öffentlichen Haushalt einbringen würden. Dieses für deutsche Verhältnisse neue Finanzierungsmodell kann nun gleichzeitig auch als verbindende Basis für die Leistungserbringer und Krankenkassen dienen, um durch eine engere Zusammenarbeit Risiken noch weiter zu minimieren.

Weiterlesen: Selektivverträge als unterstützende Komponente der Risikominimierung

Monte-Carlo-Simulationen als Berechnungsmodell für Leistungserbringer

Wie können nun die Leistungserbringer ihre Risiken besser managen? Dies soll an einem Beispiel für den stationären Sektor erklärt werden. Hierbei kommt das Programm Crystal Ball® von Oracle zur Anwendung, mit welchem Risikosimulationen durchgeführt werden können. Nun soll mit diesem Programm eine Bewertung der Erlöse nach zu vermutender Eintrittswahrscheinlichkeit bestimmter DRG - Konstellationen und der möglichen dadurch entstehenden Kosten erfolgen. Anhand der Datenbasis soll dann eine quantitative Einschätzung, im Rahmen analytischer Modelle wie der Monte Carlo Simulation durch das Programm durchgeführt werden. Chancen und Risiken werden durch dieses Programm nicht als einzige Zahl oder Parameter dargestellt sondern in Form von ganzen Bandbreiten berücksichtigt. Die Inputparameter werden durch angenommene Wahrscheinlichkeitsverteilungen der Chancen und Risiken abgebildet. Hierbei muss ein möglichst realistisches Modell entwickelt werden. Anschließend lassen sich Szenarien durchspielen, die beispielsweise mit einer veränderten Morbiditätsstruktur (anhand unterschiedlicher DRG ́s) oder veränderten Liegezeiten zu erwartende Erlöse bzw. Kosten abschätzen sollen. Crystal Ball® ist ein sogenanntes Add-in für Microsoft Excel® von Windows, wobei Excel® dann als Tabellenkalkulation mit Hilfe von Crystal Ball® Monte Carlo Simulationen durchführen kann. Hierbei werden „unsicheren Variablen" Wahrscheinlichkeitsverteilungen zugeordnet. Die so behandelten Zellen werden dann als „assumption cells" bezeichnet. Zellen, deren Ergebnis man analysieren möchte, kennzeichnet man als „forecast cells" (Crystal Ball 7.2.2 User Manual). Die Vorgehensweise bei diesem Problem kann nun folgendermaßen zusammengefasst werden: Definiere ein stochastisches Modell, welches die reale Situation gut genug beschreibt. Belege damit die Zellen in Excel®, auf welche die Annahmefunktion angewendet werden soll. Crystal Ball® erzeugt dann eine Folge von Zufallszahlen, deren Glieder die reale Simulation so gut wie möglich simulieren. Diese besitzen dann auch wieder die unterstellte Verteilungsform. Aus den einzelnen Realisierungen der Zufallsgrößen können dann wieder Schätzwerte für das Ausgangsproblem ermittelt werden. Die weiter unten stehenden Grafiken entstammen dieser Testversion. Wie schon beschrieben, bemisst sich der Erlös eines Krankenhauses im Wesentlichen anhand der Anzahl der abgerechneten DRG ́s, wobei es hier von der Liegedauer der Patienten abhängt, ob man für die einzelnen DRG ́s Zu- oder Abschläge erhält. 

Weiterlesen: Monte-Carlo-Simulationen als Berechnungsmodell für Leistungserbringer