Predictability and Financial Sufficiency of Health Insurance in Colombia: An Actuarial Analysis With a Bayesian Approach

REFERENCES

• Adebiyi, A. A., A. O. Adewumi, and C. K. Ayo. 2014. Comparison of ARIMA and artificial neural networks models for stock price prediction. Journal of Applied Mathematics 2014: 9–11. doi:10.1155/2014/614342
   Google Scholar
• ADRES. 2020. Ejecución presupuestal URA a corte de 31 de diciembre 2020. Accessed February 18, 2022, from https://servicios.adres.gov.co/La-Entidad/Información-financiera/URA/Ejecución-presupuestal-URA
   Google Scholar
• Basto, S., V. Bejarano, P. Do Nascimento, O. Espinosa, K. Estrada, S. Higuera, et al. 2021. Producto 3. Estimación actuarial de la UPC del régimen subsidiado. Bogotá: Instituto de Evaluación Tecnológica en Salud y Ministerio de Hacienda y Crédito Público.
   Google Scholar
• Brockwell, P., and R. Davis. 2009. Time series: Theory and methods. 2nd ed. Berlin: Springer.
   Google Scholar
• Chang, A., K. Cowling, A. Micah, A. Chapin, C. Chen, G. Ikilezi, et al. 2019. Past, present, and future of global health financing: A review of development assistance, government, out-of-pocket, and other private spending on health for 195 countries, 1995–2050. Lancet 393(10187): 2233–60. doi:10.1016/S0140-6736(19)30841-4
   PubMed Web of Science ®Google Scholar
• Charpentier, A., ed. 2015. Computational actuarial science with R. Boca Raton, FL: Chapman & Hall/CRC.
   Google Scholar
• Chatfield, C. 1978. The Holt–Winters forecasting procedure. Applied Statistics 27(3): 264. doi:10.2307/2347162
   Google Scholar
• Cleveland, R., W. Cleveland, J. McRae, and I. Terpenning. 1990. STL: A seasonal-trend decomposition procedure based on LOESS. Journal of Official Statistics 6(1): 3–33.
   Google Scholar
• Dinis, D., A. Barbosa-Póvoa, and Â. P. Teixeira. 2022. Enhancing capacity planning through forecasting: An integrated tool for maintenance of complex product systems. International Journal of Forecasting 38(1): 178–92. doi:10.1016/j.ijforecast.2021.05.003
   Web of Science ®Google Scholar
• Duncan, I. 2018. Healthcare risk adjustment and predictive modelling. 2nd ed. New Hartford, CT: Actex Publications.
   Google Scholar
• Frees, E., R. Derrig, and G. Meyers, eds. 2014. Predictive modeling applications in actuarial science (Vol. 1) Cambridge: Cambridge University Press.
   Google Scholar
• Goldburd, M., A. Khare, D. Tevet, and D. Guller. 2016. Generalized linear model for insurance rating, 2nd ed. Casualty Actuarial Society, CAS Monographs Series, No. 5. Arlington, VA: Casualty Actuarial Society.
   Google Scholar
• Hoffman, M., and A. Gelman. 2014. The no-U-turn sampler: Adaptively setting path lengths in Hamiltonian Monte Carlo. Journal of Machine Learning Research 15: 1593–623.
   Web of Science ®Google Scholar
• Jiang, W., X. Wu, Y. Gong, W. Yu, and X. Zhong. 2020. Holt–Winters smoothing enhanced by fruit fly optimization algorithm to forecast monthly electricity consumption. Energy 193. doi:10.1016/j.energy.2019.116779
   Web of Science ®Google Scholar
• Jödicke, A., U. Zellweger, I. Tomka, T. Neuer, I. Curkovic, M. Roos, et al. 2019. Prediction of health care expenditure increase: How does pharmacotherapy contribute? BMC Health Services Research 19(1): 953. doi:10.1186/s12913-019-4616-x
   PubMed Web of Science ®Google Scholar
• Juhnke, C., S. Bethge, and A. Mühlbacher. 2016. A review on methods of risk adjustment and their use in integrated healthcare systems. International Journal of Integrated Care 16(4): 4. doi:10.5334/ijic.2500
   PubMedGoogle Scholar
• Kaushik, R., S. Jain, S. Jain, and T. Dash. 2021. Performance evaluation of deep neural networks for forecasting time-series with multiple structural breaks and high volatility. CAAI Transactions on Intelligence Technology 6(3): 265–80. doi:10.1049/cit2.12002
   Google Scholar
• Lauffenburger, J., M. Mahesri, and N. Choudhry. 2020. Use of data-driven methods to predict long-term patterns of health care spending for medicare patients. JAMA Network Open 3(10): e2020291. doi:10.1001/jamanetworkopen.2020.20291
   PubMed Web of Science ®Google Scholar
• Londoño, J.-L., and J. Frenk. 1997. Structured pluralism: Towards an innovative model for health system reform in Latin America. Health Policy 41(1): 1–36. doi:10.1016/S0168-8510(97)00010-9
   PubMed Web of Science ®Google Scholar
• McElreath, R. 2018. Statistical rethinking: A Bayesian course with examples in R and Stan. Springer Texts in Statistical Science. doi:10.1201/9781315372495
   Google Scholar
• Mejía, D., I. Duncan, and T. Ahmed. 2022. A proposed condition-based risk adjustment system for the Colombian health insurance program. Santa Barbara, CA.
   Google Scholar
• Ministerio de Salud y Protección Social. 2011. Ley 1438 de 2011. Por medio de la cual se reforma el Sistema General de Seguridad Social en Salud y se dictan otras disposiciones. Bogotá.
   Google Scholar
• Ministerio de Salud y Protección Social. 2015a. La equidad en Salud para Colombia. Brechas internacionales y territoriales. Bogotá.
   Google Scholar
• Ministerio de Salud y Protección Social. 2015b. Resolución 5593 de 2015. Por la cual se fija el valor de la Unidad de Pago por Capitación (UPC) para la cobertura del Plan Obligatorio de Salud de los Regímenes Contributivo y Subsidiado para la vigencia 2016 y se dictan otras disposiciones. Bogotá.
   Google Scholar
• Ministerio de Salud y Protección Social. 2016a. Estudio de suficiencia y de los mecanismos de ajuste del riesgo para el cálculo de la Unidad de Pago por Capitación para garantizar el Plan de Beneficios en Salud para el año 2016. Bogotá.
   Google Scholar
• Ministerio de Salud y Protección Social. 2016b. Resolución 6411 de 2016. Por la cual se fija el valor de la Unidad de Pago por Capitación—UPC para la cobertura del Plan de Beneficios en Salud de los Regímenes Contributivo y Subsidiado en la vigencia 2017 y se dictan otras disposiciones. Bogotá.
   Google Scholar
• Ministerio de Salud y Protección Social. 2017a. Estudio de suficiencia y de los mecanismos de ajuste del riesgo para el cálculo de la Unidad de Pago por Capitación para garantizar el Plan de Beneficios en Salud para el año 2017. Bogotá.
   Google Scholar
• Ministerio de Salud y Protección Social. 2017b. Resolución 5268 de 2017. Por la cual se fija el valor de la Unidad de Pago por Capitación—UPC para el Plan de Beneficios en Salud de los Regímenes Contributivo y Subsidiado para la vigencia 2018 y se dictan otras disposiciones. Bogotá.
   Google Scholar
• Ministerio de Salud y Protección Social. 2018a. Estudio de suficiencia y de los mecanismos de ajuste del riesgo para el cálculo de la Unidad de Pago por Capitación para garantizar el Plan de Beneficios en Salud para el año 2018. Bogotá.
   Google Scholar
• Ministerio de Salud y Protección Social. 2018b. Resolución 5858 de 2018. Por la cual se fija el valor de la Unidad de Pago por Capitación - UPC que financia los servicios y las tecnologías del Plan de Beneficios en Salud, de los Regímenes Contributivo y Subsidiado para la vigencia 2019 y se dictan otra. Bogotá.
   Google Scholar
• Ministerio de Salud y Protección Social. 2019a. Estudio de suficiencia y de los mecanismos de ajuste del riesgo para el cálculo de la Unidad de Pago por Capitación para garantizar el Plan de Beneficios en Salud para el año 2019. Bogotá.
   Google Scholar
• Ministerio de Salud y Protección Social. 2019b. Resolución 3513 de 2019. Por la cual se fijan los recursos de la Unidad de Pago por Capitación - UPC para financiar los servicios y tecnologías de salud, de los Regímenes Contributivo y Subsidiado para la vigencia 2020 y se dictan otras disposiciones. Bogotá.
   Google Scholar
• Ministerio de Salud y Protección Social. 2020. Estudio de suficiencia y de los mecanismos de ajuste del riesgo para el cálculo de la Unidad de Pago por Capitación, recursos para garantizar la financiación de tecnologías y servicios de salud en los regímenes Contributivo y Subsidiado. Año 2020. Bogotá.
   Google Scholar
• Ministerio de Salud y Protección Social. 2022. Condiciones de salud para ajuste de riesgo de la UPC y mecanismo de incentivos para el mejoramiento de la calidad y los resultados en salud. Bogotá.
   Google Scholar
• Morid, M., O. Sheng, K. Kawamoto, T. Ault, J. Dorius, and S. Abdelrahman. 2019. Healthcare cost prediction: Leveraging fine-grain temporal patterns. Journal of Biomedical Informatics 91: 103113. doi:10.1016/j.jbi.2019.103113
   PubMed Web of Science ®Google Scholar
• Neal, R. M. 2011. MCMC using Hamiltonian dynamics. Handbook of Markov Chain Monte Carlo, 113–62. doi:10.1201/b10905-6
   Google Scholar
• O’Rourke, B., W. Oortwijn, and T. Schuller. 2020. The new definition of health technology assessment: A milestone in international collaboration. International Journal of Technology Assessment in Health Care 36(3): 187–90. doi:10.1017/S0266462320000215
   PubMed Web of Science ®Google Scholar
• Ouyang, Z., P. Ravier, and M. Jabloun. 2021. STL decomposition of time series can benefit forecasting done by statistical methods but not by machine learning ones. Engineering Proceedings 5(1): 42. doi:10.3390/engproc2021005042
   Google Scholar
• Pitacco, E. 2014. Health insurance. Cham, Switzerland: Springer.
   Google Scholar
• Pourahmadi, M. 2001. Foundations of time series analysis and prediction theory. Hoboken, NJ: John Wiley & Sons.
   Google Scholar
• Rao, K., A. Vecino, T. Roberton, A. López, and C. Noonan. 2022. Future health spending in Latin America and the Caribbean: Health expenditure projections & scenario analysis. Washington, DC: Inter-American Development Bank
   Google Scholar
• Ravishankar Rao, A., S. Garai, S. Dey, and H. Peng. 2020. Building predictive models of healthcare costs with open healthcare data. In 2020 IEEE International Conference on Healthcare Informatics (ICHI), 1–3. doi:10.1109/ICHI48887.2020.9374348
   Google Scholar
• Riascos, A., M. Romero, and N. Serna. 2018. Risk adjustment revisited using machine learning techniques. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics 6(2). doi:10.2139/ssrn.2973514
   Google Scholar
• Stan Development Team. 2022. RStan: The R interface to Stan. https://cran.r-project.org/web/packages/rstan/vignettes/rstan.html
   Google Scholar
• Stasinopoulos, M., and B. Rigby. 2021. gamlss: Generalised additive models for location scale and shape (with discussion). Applied Statistics 54(3): 507–54. https://cran.r-project.org/web/packages/gamlss/index.html
   Google Scholar
• van de Schoot, R., S. Depaoli, R. King, B. Kramer, K. Märtens, M. Tadesse, et al. 2021. Bayesian statistics and modelling. Nature Reviews Methods Primers 1(1): 1. doi:10.1038/s43586-020-00001-2
   Google Scholar
• Werner, G., and C. Modlin. 2016. Basic ratemaking. 5th ed. London: Casualty Actuarial Society.
   Google Scholar
• Zhang, G. 2001. An investigation of neural networks for linear time-series forecasting. Computers and Operations Research 28(12): 1183–202. doi:10.1016/S0305-0548(00)00033-2
   Web of Science ®Google Scholar
• Zhang, G., B. Patuwo, and M. Hu. 2001. A simulation study of artificial neural networks for nonlinear time-series forecasting. Computers and Operations Research 28(4): 381–96. doi:10.1016/S0305-0548(99)00123-9
   Web of Science ®Google Scholar