Nettoeffekterna av reformen av skadeståndsrätten för medicinsk felbehandling på sjukförsäkringsförluster: erfarenheter från Texas

dec 9, 2021

admin

Hypotesutveckling

Teorin och de empiriska bevisen hittills tyder på att de indirekta effekterna av skadeståndsrättsliga reformer på sjukförsäkringsutgifter är tvetydiga. Vi utvecklar vår huvudhypotes utifrån antagandet att risken för en rättsprocess för medicinska felbehandlingar påverkar arten av den medicinska vård som ges av vårdgivare och, mer allmänt, marknaden för vårdgivare. Före reformen är en delstats reglering av försäkringar mot medicinsk felbehandling och unika demografiska egenskaper förknippade med en nivå av försäkringsanspråk för medicinsk felbehandling som bl.a. återspeglar befolkningens rättstänkande och vårdgivarnas sakkunskap. Vi antar att vårdgivarna uppfattar sin risk att bli stämda för medicinska felbehandlingar på ett rationellt sätt, styrt av sina tidigare erfarenheter, information om felbehandlingar som riktas mot andra vårdgivare eller kostnaden för medicinsk felbehandlingarförsäkring.Fotnot 8 Om man antar att miljön för medicinska felbehandlingar påverkar de förväntade kostnaderna för skadeståndsansvaret, kommer det att finnas ett incitament för vårdgivarna att vidta åtgärder för att minska riskexponeringen. En vårdgivare som uppfattar en ökad exponering för skadeståndsansvar kan till exempel beställa fler tester för försäkrade patienter, ta emot färre patienter med specifika hälsoproblem eller till och med lämna den geografiska marknaden helt och hållet. Dessa beteendeförändringar kommer att generera en förändring i nivåerna av sjukförsäkringsanspråk, och vi kan förvänta oss att finna ett signifikant samband mellan förändringar i den rättsliga miljön för medicinska felbehandlingar och de förluster som uppstår för sjukförsäkringsbolagen. Eftersom vårdgivarna kan reagera på ett sätt som antingen ökar eller minskar vårdkostnaderna är emellertid riktningen på detta förhållande tvetydig när det utvärderas i sin helhet. Eftersom beteendeförändringar i själva verket skulle kunna upphäva varandra totalt sett, ger vi följande nollhypotes:

H o : En reform som minskar ansvaret på marknaden för medicinska felbehandlingar har ingen effekt på nivån på sjukförsäkringsförlusterna.

Om vi kan förkasta nollhypotesen finner vi till förmån för en alternativ hypotes att reformen av medicinsk skadeståndsansvar leder till förändringar i leverantörernas beteende som signifikant ökar eller minskar sjukförsäkringsförlusterna. I den mån leverantörerna inte omedelbart förstår konsekvenserna av reformerna vid tidpunkten för ikraftträdandet, kan effekten på sjukförsäkringsmarknaden vara potentiellt fördröjd. Ansträngningar att överbehandla av defensiva skäl kommer dock att leda till en ökning av sjukförsäkringsförlusterna, medan ansträngningar att undvika vissa patienter kommer att leda till en minskning av sjukförsäkringsförlusterna. Vi noterar att förkastandet av nollhypoteserna också kan bero på förändringar i vårdgivarens beteende som inte bara handlar om att interagera med patienten. Reformer skulle kunna leda till en ökning av antalet läkare i staten och av utbudet av medicinsk vård. Reformer av marknaden för medicinska felbehandlingar skulle också kunna påverka arten av de hyror som läkarna kräver av sjukförsäkringsbolagen, vilket skulle kunna påverka sjukförsäkringsförlusterna utan att förändra interaktionen mellan vårdgivare och patient. Bevis för att vår hypotes är giltig kommer därför inte att utvärdera den specifika karaktären av de beteendeförändringar som läkare genomför i samband med reformer av felbehandlingar, utan snarare den slutliga effekten av förändringarna på sjukförsäkringsförlusterna.

En undersökning av de privata sjukförsäkringsbolagens erfarenheter i Texas före och efter reformen av felbehandlingsreformen skulle ge bevis för om felbehandlingsreformerna påverkar sjukförsäkringsmarknaderna och i vilken riktning dessa effekter går. Om de reformer som antogs i Texas inte hade någon effekt på leverantörernas beteende skulle vi förvänta oss att de nivåer av sjukförsäkringsförluster som Texas sjukförsäkringsbolag ådragit sig skulle vara lika stora före och efter reformen. Ett sådant resultat skulle ge stöd för vår nollhypotes. Alternativt, om reformerna i Texas förändrade läkarnas beteende på ett sätt som resulterade i antingen högre eller lägre nivåer av sjukförsäkringsförluster, skulle vi förvänta oss att nivåerna av sjukförsäkringsförluster som sjukförsäkringsbolagen i Texas ådrog sig före reformerna skulle skilja sig från nivåerna efter det att reformerna genomfördes. Ett sådant resultat skulle stödja vår alternativa hypotes om att reformerna av läkares felbehandlingar har konsekvenser för sjukförsäkringen.

Data

Vi identifierar flera datakällor för att testa vår hypotes. Uppgifter om statliga skadeståndsreformer kommer från American Tort Reform Association (ATRA) och Database of State Tort Law Reforms . Statliga demografiska uppgifter, som läggs till i analysen för ytterligare en robusthetskontroll, kommer från Centers for Disease Control (CDC) och U.S. Census Bureau. ”Hälsostatus” är en variabel som tillhandahålls av CDC och som anger den allmänna hälsostatusen i en viss stat under ett visst år och som ökar med god hälsa. ”Dependents” är antalet personer under 18 år per capita i en viss delstat under ett visst år. ”Kvinnor” är den andel av en delstats befolkning som är kvinnor under ett visst år. ”Medianinkomst är medianinkomstnivån för invånarna i en viss delstat under ett visst år. ”Arbetslöshetsgrad” är den andel av en viss delstats tillgängliga arbetskraft som inte är anställd under ett visst år.

Testning av vår hypotes kräver också delstatsspecifika uppgifter om förluster i sjukförsäkringen. Vi använder finansiella uppgifter om försäkringsgivare från de statliga sidorna i National Association of Insurance Commissioners (NAIC) statutory filings för åren 2001 till 2010.Fotnot 9 Detta dataset ger den mest kompletta och omfattande databasen över privata sjukförsäkringsförluster.Fotnot 10 Vi tillämpar sedan flera filter på detta rådataset för att sålla bort försäkringsgivare som inte har en betydande affärsverksamhet i en viss delstat.Fotnot 11 Eftersom vi är intresserade av att undersöka i vilken utsträckning sjukförsäkringsföretagens förlustnivåer förändrades efter Texasreformen skulle det vara olämpligt att inkludera företag som går in på en delstatsmarknad efter reformen. Om försäkringsgivaren i inte är verksam i delstaten j mellan 2001 och 2003 tar vi bort den observationen för alla framtida år.Fotnot 12

För att testa vår hypotes om skadeståndsreformens inverkan på sjukförsäkringsförlusterna använder vi NAIC-data för att beräkna sjukförsäkringsförluster per försäkrad (LPE). Denna variabel definieras som de totala sjukförsäkringsförlusterna för försäkringsgivare i i delstaten j under år t skalade med det totala antalet inskrivna i sjukförsäkringen för försäkringsgivare i i delstaten j under år t. Variabeln är idealisk för vår analys eftersom den ger ett standardiserat mått på sjukförsäkringsförluster som underlättar jämförelser mellan alla företag.Fotnot 13 I alla tabeller och figurer som presenteras i denna analys uttrycks LPE alltid som skalat med 1000 dollar för att underlätta formateringen.

Vår analys fokuserar på försäkringsgivare som är verksamma i Texas, New Jersey, Colorado och tre ytterligare delprov av delstater som inte genomförde några betydande reformer av medicinsk felbehandling under vår urvalsperiod. Tabell 2 innehåller sammanfattande statistik över sjukförsäkrings-LPE, skalad med 1 000 dollar, för de försäkringsgivare som är verksamma i dessa stater från 2001 till 2010 i 2010 års dollar.Fotnot 14 Tabellen visar att LPE generellt sett ökade under vår urvalsperiod i alla delstater och tyder på att kostnaderna för hälso- och sjukvården generellt sett ökar. En översiktlig granskning av data från Texas visar särskilt att försäkringsgivarnas genomsnittliga LPE ökade med ungefär 1 000 dollar från början till slutet av vår urvalsperiod. Det finns dock inget uppenbart avbrott i denna trend kring genomförandet av Texasreformerna, vilket överensstämmer med vår nollhypotes.

Tabell 2 Förluster i sjukförsäkringen per försäkrad för olika urval

Figurerna 1a – 1f visar medelvärdet för LPE och 95 % konfidensintervallet kring medelvärdet för de olika urvalen av försäkringsgivare i vår analys under hela vår urvalsperiod. Siffrorna förstärker våra observationer i de sammanfattande uppgifterna. Den gradvis uppåtgående trenden i Texas LPE är lätt att observera och, med undantag för New Jersey, speglar den i stort sett de trender som observerats i de andra icke-reformerande staterna. Figuren visar dock på en relativt plötslig ökning av LPE i Texas 2003 – det år då reformerna antogs – jämfört med 2002. Storleken på denna ökning av genomsnittlig LPE är ungefär 300 dollar och kan tyda på att reformerna hade den initiala effekten att öka sjukförsäkringsförlusterna för Texas försäkringsbolag. Vi undersöker denna möjlighet närmare i följande avsnitt.

Differens-i-differensanalys

Den dramatiska översynen av klimatet för medicinskt yrkesansvar i Texas år 2003 till följd av antagandet av reformer av medicinska felbehandlingar utgör en idealisk miljö för att testa vår hypotes med hjälp av en naturlig experimentell design.Fotnot 15 Om, som vår alternativa hypotes förutsäger, förändringen i miljön för medicinska felbehandlingar ledde till förändringar i hur vårdgivare beter sig på sjukvårdsmarknaden, vilket i slutändan ledde till förändringar i sjukförsäkringsförlusterna, skulle vi inte förvänta oss att sjukförsäkringsförlustnivåerna före reformen skulle vara lika stora som förlustnivåerna efter reformen. Eftersom reformåtgärderna endast gäller den rättsliga miljön i Texas efter genomförandet av den nya lagen, skulle vi inte heller förvänta oss att den lag som antagits i Texas skulle påverka försäkringsmarknaderna i andra delstater före eller efter reformen i Texas. Genom att jämföra skillnaden i nivåerna av sjukförsäkringsförluster i Texas före och efter Texasreformen med skillnaden i nivåerna av sjukförsäkringsförluster före och efter Texasreformen i en delstat som inte påverkas av förlusterna kan vi därför isolera det direkta inflytandet av åtgärderna för skadeståndsreformen på sjukförsäkringsmarknaden i Texas.

För att göra DD:n robust identifierar vi först försäkringsgivare som är verksamma i två olika icke-behandlade delstater – New Jersey och Colorado – och utför två separata DD-analyser. Ingen av delstaterna hade större omvälvningar på sjukförsäkringsmarknaden (t.ex. sjukförsäkringsreformer) under den tid som närmast föregick och följde genomförandet av skadeståndsreformerna i Texas. Ingen av delstaterna genomförde heller några större reformer av försäkringar mot medicinsk felbehandling under tiden för Texas skadeståndsreformer. Noterbart är att Colorado hade flera skadeståndsreformer på plats före 2003, inklusive tak för icke-ekonomiska skador (som antogs 1987), medan New Jersey hade relativt få skadeståndsreformer på plats och inga tak för icke-ekonomiska skador.

I likhet med Paik m.fl. identifierar vi också tre ytterligare icke-behandlade delprover, som består av försäkringsgivare som är verksamma i delstater som inte påverkades av skadeståndsreformer under vår urvalsperiod. Det första delurvalet består av försäkringsgivare som är verksamma i de 41 delstater som inte genomförde någon större skadeståndsreform mellan 2001 och 2010.Fotnot 16 Det andra delurvalet består av försäkringsgivare som är verksamma i de 18 delstater som aldrig införde ett tak för icke-ekonomiska skador eller totalt skadestånd under urvalsperioden.Fotnot 17 Det tredje delurvalet består av försäkringsgivare som är verksamma i nio delstater som inte införde något tak för skadestånd och som, som Paik m.fl. antyder, är likartade med Texas både geografiskt och kulturellt.Fotnot 18 Genom att använda samma icke-behandlade stater som Paik et al. lägger till ytterligare ett element av robusthet till våra jämförelser av enskilda stater och gör det möjligt för oss att överväga deras slutsatser i samband med privata sjukförsäkringsmarknader.Fotnot 19

I teorin innebär genomförandet av DD-analysen att man jämför skillnaden i genomsnittlig LPE för sjukförsäkringar mellan de försäkringsgivare som är verksamma i Texas och de försäkringsgivare som ingår i de icke-behandlade stickproven innan Texasreformen trädde i kraft. Denna skillnad jämförs sedan med skillnaden i genomsnittlig sjukförsäkrings-LPE mellan försäkringsgivare verksamma i Texas och försäkringsgivare i de icke-behandlade urvalen efter Texasreformen. Även om Texasreformerna trädde i kraft under den senare delen av 2003, var det första hela året som de genomfördes 2004. Som ett resultat av detta tar vår DD-analys hänsyn till hur förlusterna förändrades 2004 och framåt i förhållande till 2003 och tidigare.

I praktiken genomförs DD-analysen med hjälp av en regressionsram.Fotnot 20 Vi uppskattar flera unika modellspecifikationer som har den allmänna formen av följande OLS-modell:

$$ {LPE}_{it}=a+{\beta}_1{Treat}_{it}+{\beta}_2\mathit{\operatorname{Re}}{form}_t+{\beta}_3{Treat}_{it}\ast \mathit{\operatorname{Re}}{form}_t+{\varepsilon}_{it} $$

(1)

varvid.

Treat = en dummyvariabel som anger att försäkringsgivaren i tillhör behandlingsgruppen år t och fångar upp skillnader mellan behandlings- och kontrollgruppen. I vår analys är Treat lika med ett för försäkringsgivare som är verksamma i Texas och noll för försäkringsgivare som är verksamma i de andra icke-behandlade delstaterna som beskrivits tidigare;

Reform = en dummyvariabel som är lika med ett om året är större än eller lika med 2004 och 0 om året är mindre än 2004; och.

Treat*Reform = en dummyvariabel som är lika med ett för försäkringsgivare som ingår i behandlingsgruppen under åren efter det att skadeståndsreformerna har trätt i kraft.

Koefficienten för Treat*Reform, β 3, är DD-estimatorn. Formally,

$$ {\beta}_3=\left({\overline{LPE}}_{Treat=1,\mathit{\operatorname{Re}} form=1}-{\overline{LPE}}_{Treat=1,\mathit{\operatorname{Re}} form=0}\right)-\left({\overline{LPE}}_{Treat=0,\mathit{\operatorname{Re}} form=1}-{\overline{LPE}}_{Treat=0,\mathit{\operatorname{Re}} form=0}\right). $$

Det numeriska värdet av denna koefficient är skillnaden mellan skillnaderna i genomsnittlig sjukförsäkrings-LPE i Texas och kontrollstaten före och efter genomförandet av reformerna. t-testet av koefficienten visar om skattningen av skillnaden i skillnaden är statistiskt signifikant. En statistiskt obetydlig β 3 skulle hindra oss från att förkasta nollhypotesen att reformerna i Texas påverkade läkarnas beteende på ett sätt som spillde över på sjukförsäkringsmarknaden. En statistiskt signifikant och positiv (negativ) β 3 skulle ge stöd för vår alternativa hypotes att införandet av Texas skadeståndsreformer påverkade läkarnas beteende på ett sätt som sammantaget ökade (minskade) sjukförsäkringsförlusterna.

Differens-in-differens-in-differens-analys

I ett försök att ge ytterligare bevis för giltigheten av vår hypotes använder vi en skillnad-in-differens-in-differens-analys (DDD) där vi, som en ytterligare kontrollgrupp, inkluderar ett delurval av försäkringsgivare som är verksamma inom verksamhetsgrenar som inte är relaterade till sjukförsäkringsmarknaderna eller marknaderna för medicinska felbehandlingar. Identifieringsantagandena i DDD-analysen är mer robusta än i en DD-analys och bidrar till att bekräfta resultaten i föregående avsnitt. I synnerhet kontrollerar en DDD-strategi den potentiellt förväxlande trenden av förändringar i sjukförsäkringsförluster över tiden som inte är relaterade till reformen av läkarskadorFotnot 21 och kontrollerar också de förväxlande effekterna av delstatsspecifika faktorer som påverkar försäkringsförlusterna i allmänhet. DDD-ramen förbättrar således bristerna i DD-analysen genom att kontrollera för en bred uppsättning andra influenser. Om våra resultat är robusta i förhållande till en DDD-analys skulle detta tyda på att våra resultat inte beror på falska utvecklingar i delstatens sjukförsäkringsmiljö.

För att genomföra DDD väljer vi som ytterligare kontrollgrupp ett delurval av försäkringsgivare som är verksamma inom försäkring av fysiska skador på personbilar för privatpersoner i Texas, New Jersey, Colorado och de tre delurvalen med flera delstater som identifierats av Paik et al. .Fotnot 22 Vi kvantifierar de förluster som dessa försäkringsgivare ådragit sig i de givna delstaterna som förluster per bil (LPA), beräknat som beloppet för de förluster för fysiska skador på personbilar som försäkringsgivare i ådragit sig i delstat j under år t, skalat med ett viktat mått på antalet bilar som försäkrats av försäkringsgivare i i i delstat j under år t.Fotnot 23 Vi jämför sedan skillnaden i skillnader mellan LPE och LPA i Texas före och efter Texas skadeståndsreform med skillnaden i skillnader mellan LPE och LPA i kontrollstaten/kontrollstaterna före och efter Texas skadeståndsreform.

I praktiken genomförs DDD-analysen med hjälp av en regressionsram. Vi uppskattar flera unika modellspecifikationer som har den allmänna formen av följande OLS-modell:

$$$ {Losses}_{it}={a}_i+{\beta}_1 Treat+{\beta}_2 Control+{\beta}_3 Treat\ast Control+{\beta}_4\mathit{\operatorname{Re}} form+{\beta}_5 Treat\ast \mathit{\operatorname{Re}} form+{\beta}_6 Control\ast \mathit{\operatorname{Re}} form+{\beta}_7 Treat+ Control\ast \mathit{\operatorname{Re}} form+{\varepsilon}_{it} $$

(2)

här.

Förluster = försäkringsgivare i:s LPE om försäkringsgivaren är en sjukförsäkringsgivare eller försäkringsgivare i:s LPA om försäkringsgivaren är en bilförsäkringsgivare i en viss stat ett visst år;

Behandla = en dummy-variabel som anger att försäkringsgivaren i tillhör behandlingsgruppen år t och fångar upp skillnaderna mellan behandlings- och kontrollgruppen. I vår analys är Treat lika med ett för försäkringsgivare som är verksamma i Texas och noll för försäkringsgivare som är verksamma i de andra stater som beskrivits tidigare;

Control = en dummyvariabel som anger att försäkringsgivare i är en sjukförsäkringsgivare år t och som fångar upp de effekter som försäkringsmarknaden i allmänhet kan ha på nivåerna av förluster inom sjukförsäkringen. I vår analys är Control lika med ett om försäkringsgivaren är verksam inom sjukförsäkringsbranscherna och lika med noll om försäkringsgivaren är verksam inom bilförsäkringsbranscherna i en viss stat ett visst år;

Reform = en dummyvariabel som är lika med ett om året är större än eller lika med 2004 och 0 om året är mindre än 2004; och.

Treat*Control*Reform = en dummyvariabel som är lika med ett om försäkringsgivare i är en sjukförsäkringsgivare som är verksam i en icke-behandlad stat år 2004 eller senare.

Koefficienten för Treat*Control*Reform, β 7, är differens-i-differens-i-differens-skattaren. Det numeriska värdet av denna koefficient är skillnaden-i-differenser-i-differenser av genomsnittlig LPE och LPA i Texas och kontrollstaten före och efter genomförandet av reformerna. t-testet av koefficienten visar om DDD är statistiskt signifikant. En statistiskt obetydlig β 7 skulle hindra oss från att förkasta nollhypotesen att reformerna i Texas påverkade läkarnas beteende på ett sätt som spillde över på sjukförsäkringsmarknaden. En statistiskt signifikant och positiv (negativ) β 7 skulle ge stöd för vår alternativa hypotes att införandet av skadeståndsreformerna i Texas påverkade läkarnas beteende på ett sätt som sammantaget ökade (minskade) sjukförsäkringsförlusterna.