Intézmények:Egészségpolitika és Egészség-gazdaságtan Tanszék Eötvös Loránd Tudományegyetem, GKI Egészségügyi Kutató Intézet, Országos Orvosi Rehabilitációs Intézet
Évfolyam: VI. évfolyam
Lapszám:2007. / 10
Hónap:december
Oldal:5-13
Terjedelem:9
Rovat:EGÉSZSÉGPOLITIKA
Alrovat:EGÉSZSÉGPOLITIKA
Absztrakt:
A kötelező egészségbiztosításról és az egészségbiztosítási pénztárakról, valamint a kötelező egészségbiztosítással összefüggő egyes törvények módosításáról szóló törvénytervezet szerint az újonnan megalapított pénztárak 2009. január 1-től az ellátások jelentős részének biztosítására úgynevezett fejkvótás finanszírozásban részesülnek. Ez azt jelenti, hogy az ellátások finanszírozására szolgáló pénzek több mint 90%-a fejkvóta segítségével kerül kiosztásra. A fejkvóta formula kialakítása átgondolt és alapos kutatómunkát, a formula első verziójának elkészülésétől kezdve folyamatos fejlesztést igényel. Az alábbi próbaszámítások ennek a fejlesztési folyamatnak néhány mozzanatát igyekeznek illusztrálni azzal a céllal, hogy felhívják az egészségügyi rendszer szereplőinek figyelmét a fejkvóta kialakításának néhány lényeges aspektusára.
Angol absztrakt:
Illustrations for the calculation of capitation payments in Hungary – yet we only have the logic. The new Health Insurance Act proposed by the Hungarian government is introducing sickness funds that are to be financed by the central administration through capitation. This implies that from 1st January 2009 the majority of in-kind benefits (more than 90%) is going to be covered by capitation. The introduction of the capitation payment formula necessitates careful scientific approaches and an ongoing development of the capitation formula. These pilot calculations intend to illustrate some of the key elements of the proposed formula funding with the purpose of drawing attention to important aspects of this kind of procedure.
[1] Andersson P A, Varde E and Diderchsen F (2000) Modelling of resource allocation to health care authorities in Stockholm County. Health Care Management Science 3, 141-149.
[2] Behrend C, Buchner F, Happich M, Holle R, Reitmeir P and Wasem J (2007) Risk adjusted capitation payments: how well do principal inpatient diagnosis-based models work in the German situtation? Results from a large dataset. European Journal of Health Economics 31-39.
[3] ESKI IMEA (2007) Internetes Magyar Egészségügyi Adattár – Rendszeres szociális segélyben részesítettek aránya 10 ezer lakosra, 2005. www.eski.hu: Egészségügyi Stratégiai Kutató Intézet.
[4] Goglio A (2005) In search of efficiency: improving health care in Hungary – Working Papers No. 446. Organisation for Economic Co-operation and Development, Economics Department.
[5] Kincses Gy, Surján Gy, Kováts T, Szilágyi É, Szirmai L, Nyers Á and Lipták M (2003) Tanulmány Magyarország régióinak egészségügyi helyzetéről. ed. Kincses Gy Budapest: Egészségügyi Stratégiai Kutatóintézet.
[6] Kronick R, Dreyfus T, Lee L and Zhou Z (1996) Diagnostic risk adjustment for Medicaid: the disability payment system. Health Care Financing Review 17, 7-33.
[7] KSH (2006a) Demográfiai Évkönyv, 2005. Budapest: Központi Statisztikai Hivatatal.
[8] KSH (2006b) Területi Statisztikai Évkönyv, 2005. Budapest: Központi Statisztikai Hivatatal.
[9] Lamers L and van Vliet R (2004) The Pharmacy-based Cost Group model: validating and adjusting the classification of medications for chronic conditions to the Dutch situation. Health Policy 68, 113-121.
[10] Lamers L, van Vliet R and Van de Ven W (2003) Risk adjusted premium subsidies and risk sharing: key elements of the competitive sickness fund market in the Netherlands. Health Policy 65, 49-62.
[11] Mihályi P (2003) Bevezetés az egészségügy közgazdaságtanába. Veszprém: VEK.
[12] Nagy B, Dózsa Cs and Boncz I (2004) A fejkvótaszámítás továbbfejlesztésének lehetőségei az irányított betegellátási rendszerben. Egészségügyi Gazdasági Szemle 42, 15-24.
[13] Nagy B, Falusi Zs, Boncz I, Dózsa Cs, Gerendy P (2005) A művesekezeltek ellátása Magyarországon 2000-2003. Egészségügyi Gazdasági Szemle 2005; 43:5: 32-37. Egészségügyi Gazdasági Szemle 43, 32-37.
[14] Newhouse J P (1998) Risk adjustment: where are we now? Inquiry 35, 122-131.
[15] OEP – Gyógyinfok (2007) 10 ezer főre jutó aktív ágyak megoszlása megyénként 2006-ban. www.oep.hu: Országos Egészségbiztosítási Pénztár.
[16] Orosz É (2001) Félúton vagy tévúton? Egészségügyünk félmúltja és az egészségpolitika alternatívái. Egészséges Magyarországért Egyesület.
[17] Schokkaert E and Van de Vorde C (2003) Belgium: risk adjustment and financial responsibility in a centralised system. Health Policy 65, 5-19.
[18] Shmueli,A. and Chinitz D (2001) Risk-adjusted capitation – The israeli experience. European Journal of Public Health 11, 182-184.
[19] Sutton M, Gravelle H, Morris S, Leyland A, Windmeijer F, Dibben C and Muirhead M (2002) Allocation of Resources to English Areas. Report to the Department of Health. Edinburgh: Common Services Agency.
[20] Van de Ven W, Beck K, Wasem J. and Zmora I. (2007) Risk adjustment and risk selection in Europe: 6 years later. Health Policy 83, 162-179.
[21] Van de Ven W and Ellis R (2000) Risk adjustment in Competitive Health Plan Markets. In Handbook of Health Economics ed. Newhouse J P and Culyer A J pp. 757-845. Elsevier Science.
[22] van Vliet R (1992) Predictability of individual health care expenditure. The Journal of Risk and Insurance 59, 443-460.
A cikket sikeresen a könyvepolcára helyeztük!
Tisztelt Felhasználónk!
A cikket a könyvespolcára helyeztük. A későbbiekben
bármikor elérheti a cikket a könyvespolcán található listáról.
A cikk megtekintéséhez onine regisztráció szükséges!
Tisztelt Látogató!
Az Ön által megtekinteni kívánt cikk az IMEONLINE cikkadatbázisához tartozik, melynek olvasása online regisztrációhoz kötött.
A regisztrálást követően fogja tudni megtekinteni a cikk tartalmát!
A megadott cikk nem elérhető!
Tisztelt Felhasználónk!
Az Ön által megtekinteni kívánt cikk nem elérhető a rendszerben!
A megadott cikk nem elérhető!
Tisztelt Felhasználónk!
Az Ön által megtekinteni kívánt cikk nem elérhető a rendszerben!
Sikeresen szavazott a cikkre!
Tisztelt Felhasználónk!
Köszönjük a szavazatát!
A szavazás nem sikerült!
Tisztelt Felhasználónk!
Ön már szavazott az adott cikkre!
Cikk megtekintése
Tisztelt Felhasználónk!
A cikk több nyelven is elérhető! Kérjük, adja meg, hogy melyik nyelven kívánja megtekinteni az adott cikket!
Cikk megtekintésének megerősítése!
Tisztelt Felhasználónk!
Az Ön által megtekintetni kívánt cikk tartalma fizetős szolgáltatás.
A megtekinteni kívánt cikket automatikusan hozzáadjuk a könyvespolcához!
A cikket bármikor elérheti a könyvespolcok menüpontról is!
EGÉSZSÉGPOLITIKA Illusztrációk a fejkvótás forrásallokáció számításához Magyarországon – még csak a logikát ismerjük... Nagy Balázs, Corvinus Egyetem, Sipos Júlia, Egészségügyi Minisztérium, Dr. Nagy József, GKI-Egészségügykutató Intézet A kötelező egészségbiztosításról és az egészségbiztosítási pénztárakról, valamint a kötelező egészségbiztosítással összefüggő egyes törvények módosításáról szóló törvénytervezet szerint az újonnan megalapított pénztárak 2009. január 1-től az ellátások jelentős részének biztosítására úgynevezett fejkvótás finanszírozásban részesülnek. Ez azt jelenti, hogy az ellátások finanszírozására szolgáló pénzek több mint 90%-a fejkvóta segítségével kerül kiosztásra. A fejkvóta formula kialakítása átgondolt és alapos kutatómunkát, a formula első verziójának elkészülésétől kezdve folyamatos fejlesztést igényel. Az alábbi próbaszámítások ennek a fejlesztési folyamatnak néhány mozzanatát igyekeznek illusztrálni azzal a céllal, hogy felhívják az egészségügyi rendszer szereplőinek figyelmét a fejkvóta kialakításának néhány lényeges aspektusára. Illustrations for the calculation of capitation payments in Hungary – yet we only have the logic.. I. The new Health Insurance Act proposed by the Hungarian government is introducing sickness funds that are to be financed by the central administration through capitation. This implies that from 1st January 2009 the majority of in-kind benefits (more than 90%) is going to be covered by capitation. The introduction of the capitation payment formula necessitates careful scientific approaches and an ongoing development of the capitation formula. These pilot calculations intend to illustrate some of the key elements of the proposed formula funding with the purpose of drawing attention to important aspects of this kind of procedure. BEVEZETÉS Definíció szerint az egészségügyi forrásallokációban használatos fejkvóta a finanszírozó által a pénztáraknak juttatott fix összeg, amelyet az ellátásra jogosult személyek után, egy előre meghatározott szolgáltatási csomagért, egy adott időszakra fizetnek. Tehát egyének után kalkulált fix összegről van szó, amelynek mértéke előzetesen kerül meghatározásra, és a kifizetésre vonatkozó időszak során már nem változik. Éppen ezért rendkívül lényeges, hogy a fejkvóta az egyének várható egészségügyi költségeit – a lefedett ellátások tekintetében – a lehető legjobban tükrözze. Fontos leszögezni, hogy olyan fejkvóta formula nem létezik, amely az egyének várható egészségügyi kiadásait tökéletes pontossággal képes lenne előre jelezni. Hiszen biztosan nem láthatjuk előre kinek, mikor és milyen betegsége, és ebből fakadóan mekko- ra egészségügyi költsége jelentkezik. A fejkvótás formula kialakításának nem titkolt célja azonban a lehetőségekhez mérten minél pontosabb előrejelzést adni; a formula pontatlanságaiból adódó eltéréseket pedig egy megfelelő nagyságú kockázatközösségen hatékonyan szétteríteni. Fontos látni azt is, hogy a nagy kockázatközösség nem jelent kibúvót a formula fejlesztése alól, azzal takarózva, hogy kellően nagy kockázatközösség esetén a fejkvóta a kockázatokat úgyis kiegyenlíti. A pontatlan forrásallokáció ugyanis éppúgy okozhat problémákat nagyobb szervezeteknél, mint kisebb kockázatközösségeknél és mindkét esetben ösztönözhet kockázatkerülő magatartásra. Kellő alapossággal korrigált fejkvóta hiányában további problémák is jelentkezhetnek. Egyrészt a rendelkezésre álló források nem igazságosan kerülnek szétosztásra, amely sérti a társadalmi szolidaritás elvét, és a finanszírozott pénztárak egyenlő elbírálásának elvét. Hiszen egy súlyozatlan fejkvótával egyesek után igazságtalanul magas összegeket, mások után pedig rendkívül alacsony összegeket fizetne ki a finanszírozó. Másrészt, ha nem tesz különbséget a fejkvóta a különböző kockázatú emberek között a finanszírozott szervezetek arra kényszerülnek, hogy a pontatlan költségvetésből adódó kockázatukat valamilyen módon csökkentsék. Ennek gyakori módja a minőség rontása, a költségek továbbhárítása illetve a betegek kiválogatása (szelekció) (Van de Ven W. and Ellis R. 2000). Ez utóbbi három közül versenyző biztosítási piacon a legsúlyosabb probléma a szelekció, amely esetén a finanszírozott szervezetek megpróbálják kiválogatni az alacsony kockázatú biztosítottakat, illetve igyekeznek elkerülni a magas megbetegedési kockázatú biztosítottakat. Összességében a fejkvóta differenciálása az igazságos forrásallokáció és a (technikai és allokációs) hatékonyság biztosítása miatt egyaránt szükséges. Szükséglet becslése A fejkvótával kalkulált összegeknek az egyének relatív szükségleteit, más terminológiával élve, a megbetegedési kockázatát kell tükröznie (a két terminológia nem feltétlenül jelenti pontosan ugyanazt, de ennek tárgyalására terjedelmi okok miatt nem vállalkozunk). Ezért a súlyozott fejkvóta készítését és fejlesztését szükségletbecslésnek (needs assessment) vagy kockázatkiigazításnak (risk adjustment) nevezik. A szükségletbecslési módszerek alapvetően két csoportra bonthatók. Az első csoportot az egészség-modellekként emlegetik és olyan szükségletváltozókat foglalnak össze, amelyek közvetlenül az adott személy egészségügyi állapota alapján (pl. diagnózis, gyógyszerfogyasztási adatok ismeretében) becsülik meg a várható költségeket. A második csoportot a nem egészség-modellek jelentik, amelyek olyan közvetett tényezőkre (pl. etnikum, munkaerőpiaci státusz, földrajzi IME VI. ÉVFOLYAM 10. SZÁM 2007. DECEMBER 5 EGÉSZSÉGPOLITIKA elhelyezkedés, mortalitás, előző évi költségek, társadalmiszociális tényezők) támaszkodnak, melyek empirikus alapon kapcsolatban állhatnak az egészségügyi szükségletekkel. Ezeket együttesen szükségletváltozóknak nevezzük. Mindkét változócsoportot és a belőlük építhető, „hibrid” modellek számos változatát alkalmazzák szerte a világon. A szükségletváltozók kiválasztását elsősorban az adatok elérhetősége, alkalmazhatóságuk, a legitim és nem legitim változók megkülönböztetésének lehetősége, egymás közötti interakciójuk, a költségeket magyarázó erejük, és ösztönző hatásuk befolyásolja. A szükségletváltozók kiválasztása, az egymástól és a különböző csoportoktól történő elkülönítése és a költségek becslésének folyamata általában regresszión alapuló statisztikai módszerekkel történik. Anélkül, hogy módszertani részleteket tárgyalnánk, (a fejkvótaszámítás elméletének, módszertanának és a magyar fejlesztési lehetőségeknek a bemutatása az ESKI honlapján bővebb terjedelemben megtalálható), már a nemzetközi tapasztalatokra hagyatkozva is megállapítható, hogy szükségletek becslése egy igen bonyolult, időigényes, számos különböző tudású szakember munkáját igénylő folyamat, amely az első, egyszerűbb formulák készítésétől a fejlettebb modellek kidolgozásáig évekig eltarthat. A munka folyamatos fejlesztést és újragondolást is igényel, mivel időközben a rendszerszervezési célokat is pontosítják, a finanszírozási környezet és a formulafejlesztéshez elérhető adatok változnak, illetve a fejkvóta készítés módszertana is folyamatosan fejlődik. Ezért történhet, hogy Angliában például a fejkvóta formula fejlesztése már több mint 30 éve zajlik tudományos műhelyekben, Hollandiában pedig a versenyző egészségügy (1992) bevezetése óta folyamatosan fejlesztik a fejkvótát. A fejlesztés azért nem áll le, mert minél több és jobb tényezőt vesz figyelembe a fejkvóta, annál jobban teljesül a méltányos forrásallokáció, ami társadalmi elvárás, és annál kisebb lesz a veszélye a versenyző piacokon komoly problémákat okozó szelekciónak. Ezért érdemes a fejlesztést egy iteratív, rendszerfüggetlen folyamatként kezelni, amelynek nincs végpontja, hanem egy folyamatosan rendelkezésre álló eszközt jelent az egészségügyi kormányzatok kezében a méltányos egészségpolitika és a hatékony biztosításpiaci verseny megvalósításához. szívműtétek, daganatos betegek kezelése), amelyek ellátása magas pénzügyi kockázattal jár. Az is ismert módszer, hogy egyes ellátási formáknál bizonyos határösszeg felett (outlier risk sharing) vagy bizonyos arányban (proportional risk sharing) már a finanszírozó viseli a költségeket (carve outs). Ezeket a módszereket főként versenyző egészségbiztosítási piacokon használják (pl. Belgium, Hollandia, Németország, Egyesült Államok) (Newhouse J P 1998, Van de Ven W et al. 2007). Fontos látni, hogy a kockázatmegosztás azzal, hogy visszatereli a kockázatot a finanszírozóra, csökkenti a finanszírozott szervezetek hatékony működése irányába mutató ösztönző erőket. Ezért a kockázatmegosztás alkalmazása csak addig a mértékig kívánatos, ameddig a fejkvóta formula nem elég fejlett ahhoz, hogy a becsülhető kockázatok anomáliáit megfelelő módon kompenzálja (Van de Ven W and Ellis R 2000). Összességében a kockázatkiigazítási és a kockázatmegosztási módszerek együtt adják a fejkvótás forrásallokáció rendszerét, működésük és fejlesztésük mindig egymást kiegészítve, szoros összhangban képzelhető el. Kockázatmegosztás A jól becsült fejkvóta önmagában általában kevés a hatékony és méltányos allokáció megvalósításához, mivel számos olyan, előre nem kalkulálható kockázat marad a fejkvótás rendszerben, amelyet már nem képes a fejkvóta figyelembe venni. Ennek kompenzálására alkalmazzák finanszírozott szervezetek kockázatának visszaterelését a finanszírozó felé, amit kockázatmegosztásnak (risk sharing) nevezünk A kockázat „újra” megosztásának az a célja, hogy mérsékelje fejkvóta formula tökéletlenségéből adódó indokolatlan veszteségeket, illetve nyereségeket – lehetőleg a hatékony működés fenntartása mellett. (Nem célja azonban, hogy a várható kiadások random szórását is csökkentse). Éppen ezért gyakran előfordul, hogy kivesznek a forrásallokációs formulából olyan ritkán előforduló, vagy nagy értékű szolgáltatásokat (pl. Adatok A számításokhoz az Egészségbiztosítási Alap (E. Alap) 2006. évi országos, az egészségügyi ellátásokhoz kapcsolódó igénybevételi adatait használtuk fel. A megyei szintű adatok az E. Alap pénzbeli juttatásait, a feladatfinanszírozott és a nagyértékű ellátásokat nem tartalmazták. Az adatok az Irányított Betegellátási Rendszerben alkalmazott metodika szerinti bontásban kerültek feldolgozásra. Ennek megfelelően a következő kasszabontást alkalmaztuk: háziorvosi ellátás; fogászati ellátás; járóbeteg-szakellátás; betegszállítás; CT, MRI; művese kezelés; házi szakápolás; fekvőbeteg-szakellátás; speciális finanszírozású ellátások; gyógyszertámogatás; gyógyászati segédeszköz támogatás; gyógyfürdő szolgáltatás. Ezek a szolgáltatások a természetbeni ellátások mintegy 91%-ának felelnek meg (1. táblázat). 6 IME VI. ÉVFOLYAM 10. SZÁM 2007. DECEMBER MÓDSZER A számítások célja A következő példákban a fejkvóta formula fejlesztésének néhány aspektusát mutatjuk be demográfiai változók és megyei szintű indikátorok elemzésével. A számításokhoz egyéni szinten kalkulált a korra és nemre épülő demográfiai modell megyei szintű allokációs hatását vesszük alapul; az így kapott demográfiai forrásallokációt a jelenlegi igénybevételi adatokhoz hasonlítjuk; majd a modellt megyei szinten elérhető egészségi és a nem egészségi indikátorokkal változtatjuk. Fontos megjegyezni, hogy ezek az egyszerű számítások nem tekinthetők módszertanilag elfogadhatónak egy fejkvóta formula kialakításához, egyedül azt hivatottak demonstrálni, hogy mi a fejkvóta-modellek építésének logikája, milyen típusú változók képzelhetők el, illetve hogy a jelenlegi forrásallokációhoz viszonyítva a lehetséges új fejkvóta modellek milyen irányba mozdíthatják el a források elosztását az egyes megyék lakosainak tekintetében. EGÉSZSÉGPOLITIKA Demográfiai modell A modellszámítások alapját a demográfiai modell képezte. A demográfiai modell az emberek kora és neme alapján becsüli az egyének ellátási költségeit. A demográfiai fejkvóta értékeinek kiszámításához azt kellett meghatározni, hogy az adott kasszákból (lásd 1. Táblázat) korcsoportonként és nemenként egy-egy főre átlagosan mennyi igénybevétel jutott. Az adott korcsoport adott neméhez tartozó egy főre jutó kaszszánkénti igénybevétel összege adta meg a demográfiai modellben használt fejkvóta nagyságát. Egy megye demográfiai fejkvóta bevétele az adott megye kor és nem szerinti létszámának és a demográfiai elemekkel súlyozott fejkvóta alapján megállapított bevétel szorzata volt. 1. táblázat A fejkvóta számításához figyelembe vett és figyelembe nem vett természetbeni ellátások értéke (ezer Ft-ban) 2007. évi előirányzatok alapján (Forrás: 2006. évi CXXVII. törvény a Magyar Köztársaság 2007. évi költségvetéséről) Az adatbázisban a biztosítottak lakhelyük szerinti megyéhez voltak rendelve. Az egyes kasszák igénybevételi adatai az alábbi három ismérv alapján kerültek megbontásra: megye (19 megye és Budapest); korcsoport (8 csoport); nem (2 kategória). Rendelkezésünkre állt továbbá, hogy egy adott megyében korcsoportonként és nemenként mennyi biztosított volt. Emellett az alábbi megyei szintű mutatók kerültek felhasználásra: • 100 ezer főre jutó 70 éves kort megelőzően elvesztett életévek száma (továbbiakban: potenciálisan elvesztett életévek) (KSH 2006a) • a rendszeres szociális segélyben részesülők aránya 10 ezer lakosra vetítve (szociális segélyben részesülők aránya) (ESKI IMEA 2007) • a közgyógyellátási igazolvánnyal rendelkezők száma, 1000 lakosra vetítve (közgyógyellátottak száma) (KSH 2006b) • az elvégzett átlagos osztály- (évfolyam-) szám (iskolázottság) (KSH 2006b) • a városi népesség aránya, százalékban (urbanizáció foka) (KSH 2006b) • a közüzemi szennyvízcsatorna-hálózatba bekapcsolt lakások aránya, százalékban (szennyvízhálózat fejlettsége) (KSH 2006b) • az egy főre jutó bruttó hazai termék, ezer Ft-ban (GDPtermelés mutatója) (KSH 2006b) • a munkanélküliségi ráta, százalékban (KSH 2006b). Így adott volt minden megyében a lakosság kor és nem szerinti összetétele, ugyanezen lakosság egészségügyi igénybevétele, illetve a megyékhez rendelt területi indikátorok. Megyei szintű mutatókból képzett modellek A megyei szintű mutatókat két csoportban vizsgáltuk. Az első csoportban egészségi állapottal és az ahhoz közel álló szociális helyzettel operáló indikátorok találhatók, amelyek jellegükben igen közel állnak a későbbi modellekben elképzelt egészségváltozókhoz. Ezek a változók – potenciálisan elvesztett életévek, szociális segélyben részesülők aránya, közgyógyellátottak száma – a népesség egészségi állapotáról igyekeznek valamilyen képet nyújtani. A vizsgált modellek másik csoportja olyan gazdasági és fejlettségi mutatókkal operált, amelyek feltételezhetően kapcsolatban állnak az adott térség egészségügyi szükségleteivel. Ilyen az iskolázottság, az urbanizáció foka, a szennyvízhálózat fejlettsége, a GDP-termelés mutatója és a munkanélküliségi ráta. Ezeknek az indikátoroknak a használata egészségügyi forrásallokációs célokra jóval több kérdőjellel terhelt, hiszen nincs közvetlen kapcsolatuk az egészségi állapottal, ezért valószínűleg nehéz velük az egészségügyi szükségleteket mindenki számára elfogadható módon számszerűsíteni. Fontos megjegyezni, hogy az itt vizsgált mutatók kapcsolata az egészségügyi kiadásokkal Magyarországon nem került bizonyításra, de hasonló típusú mutatók beépítésével más országokban sikerrel próbálkoztak (lásd pl. (Andersson P A et al. 2000; Lamers L et al. 2003; Schokkaert E and Van de Vorde C 2003; Sutton M et al. 2002) A megyei szintű mutatókból képzett modellek a fenti indikátorok segítségével igyekeztek a demográfiai alapmodellt finomítani. Ez úgy történt, hogy a demográfiai modell eredményeképpen kapott megyei bevételeket tekintettük kiinduló helyzetnek, és ezeket a bevételeket a különböző megyei indikátorok alapján tovább súlyoztuk. A súlyozás úgy történt, hogy minden indikátornál az országos átlagtól történő elmozdulást vizsgáltuk. Ha egy megyében az országos átlagtól eltért az indikátor, akkor az eltérés mértékében és irányában változtattuk az adott a megye bevételét. Ha például SzabolcsSzatmár-Bereg megyében az átlagosnál magasabb volt a potenciálisan elvesztett életévek száma, úgy tekintettük, hogy relatíve nagyobbak az egészségügyi szükségletek, és ezért a kor és nem szerint meghatározottnál több fejkvótát juttattunk ebbe a megyébe. Ugyanígy, a magasabb munkanélküliségi rátával rendelkező megyékbe is több pénz került. A GDP termelés mutatója és az urbanizáció foka fordított előjellel kerül- IME VI. ÉVFOLYAM 10. SZÁM 2007. DECEMBER 7 EGÉSZSÉGPOLITIKA tek figyelembe vételre. A 2. Táblázat tartalmazza a használt változók megyei szintű megoszlását és a mutatókhoz rendelt országos átlagot. 2. táblázat A demográfiai fejkvóta finomításához használt megyei indikátorok (Forrás: (ESKI IMEA 2007; KSH 2006a; KSH 2006b) EREDMÉNYEK Jelenlegi forrásallokáció Az 1. ábra a jelenlegi forrásallokációt (a biztosítottak 2006-os lakóhely szerinti felhasználási adatai alapján), valamint a 10 ezer főre jutó aktív ágyak megoszlását mutatja. hogy ez a felhasználási térkép az ország népességének egészségügyi szükségleteivel nincs összhangban. Nehezen képzelhető el például az, hogy a Budapesten élő embereknek az állami járulékokból valóban 30%-kal többre van szüksége, mint a BAZ megyében élőknek. Ez akkor lenne indokolt, ha BAZ megyében jóval egészségesebb populáció élne, mint Budapesten. Ez utóbbi állításról viszont sejtjük, hogy nem igaz. Ennek igazolására számos példát lehetne hozni, melyek közül egyet a 2. ábra illusztrál. Az ábráról leolvasható, hogy a százezer főre jutó potenciálisan elvesztett életévek száma BAZ megyében 44%-kal magasabb, mint Budapesten. Ez az információ azt a sejtést igazolja, hogy BAZ megyében minden valószínűség szerint betegebb populáció él, amely mégis 30%-kal kevesebb értékű (és feltételezhetően kisebb volumenű) egészségügyi ellátáshoz jut, mint az egészségesebbnek tartott Budapest. Az 1. ábra alapján az is valószínűsíthető, hogy az egyenlőtlen felhasználás egyik kulcstényezője lehet az is, hogy a lakosok hozzáférése az ellátásokhoz területenként igen különböző. Az igénybevétel ugyanis sok megyében a kapacitás (aktív ágyak száma/10 ezer fő) változásának irányát követi. Az 1. ábra és a 2. ábra alapján sejthető, hogy bizonyos területeken élők egészségügyi ellátására átlagosan több pénzt használnak fel, más térségekben élőknek pedig kevesebb jut úgy, hogy ezek az igénybevételi különbségek valószínűleg nem magyarázhatók meg a különböző térségek lakosainak egészségi állapotával (és az ebből származtatható szükségletekkel). Ezt a jelenséget a magyar szakirodalom jól ismeri és számos helyen tárgyalja. (lásd például: (Kincses Gy et al. 2003; Mihályi P 2003; Orosz É 2001) 1. ábra Igénybevétel alapján számolt egy főre jutó lakóhely szerinti kiadások és a 10 ezer főre jutó aktív ágyak megoszlása megyénként 2006-ban (Forrás: (OEP – Gyógyinfok 2007), saját számítások) Megjegyzés: a bevételek fejkvóta számításához figyelembe vett természetbeni ellátásokra vonatkoznak (lásd 1. táblázat) 2. ábra Igénybevétel alapján számolt 1 főre jutó bevétel, potenciálisan elvesztett életévek száma Az egy főre jutó kiadások a legalacsonyabb és a legmagasabb átlagos (egy főre eső) költséggel rendelkező megyék lakosai között majdnem 30%-os eltérést mutatnak. Budapesten és Baranya megyében élő lakosokra költenek a legtöbbet az állami büdzséből, míg Győr-Moson-Sopron, Veszprém, Borsod-Abaúj-Zemplén (BAZ) megyében élők kiadásai jóval alacsonyabbak. Ezek a különbségek sok tényezőnek tudhatók be, amelyeket nem célunk itt vizsgálni. Korábbi vizsgálatokból az is sejthető (Goglio A 2005; Kincses Gy et al. 2003), A fenti egyszerű példa jól illusztrálja, hogy a jelenlegi allokáció minden jel szerint nem követi a szükségleteket és valószínűleg igazságtalanul osztja el a forrásokat. A helyes forrásallokáció iránya ilyen egyszerű elemzésekből nyilván nem vezethető le, az viszont már most sejthető, hogy ha az emberek valódi egészségügyi szükségleteit már a rendszer indulásakor figyelembe vennénk, akkor a források elosztása az egyes területek között a jelenlegihez képest jelentősen változna. Az előbbi példánál maradva – a potenciálisan elvesz- 8 IME VI. ÉVFOLYAM 10. SZÁM 2007. DECEMBER EGÉSZSÉGPOLITIKA tett életévek alapján – egészségesebbnek tartott fővárosi populációnak bizonyosan kevesebb egy főre jutó forrást kellene kapnia, mint jelenleg, hiszen ezek az emberek várhatóan kevesebb egészségügyi problémával szembesülnek, mint a rosszabb egészségi állapotú BAZ megye lakosai, akik jelenleg relatíve kevesebb közpénzben részesülnek. (A helyzet nyilván nem ilyen egyértelmű, de a magyarázat kedvéért szándékosan egyszerűsítettünk) Demográfiai fejkvóta A rendelkezésre álló adatokból kalkulált kor és nem szerint súlyozott fejkvóták nagyságát a 3. ábra mutatja. Az ábrán látható, hogy a kor előrehaladásával az egészségügyi kiadások – az első évek csökkenése után – folyamatosan növekednek, a nemek közötti különbség jól látható: például a középkorú nők egy főre jutó egészségügyi kiadásai valamivel magasabbak, mint a férfiaké, mely egyetlen egészségügyben jártas szakember számára sem meglepő. 3. ábra Kor és nem szerinti egészségügyi kiadások a demográfiai fejkvóta kialakításához (2006) Nem véletlen, hogy az ehhez hasonló demográfiai modellek a világ számos országában a fejkvóta modellek kiinduló pontját jelentik (Behrend C et al. 2007; Lamers L and van Vliet R 2004; Shmueli and Chinitz D 2001), hiszen viszonylag egyszerűek, a változók könnyen előállíthatók, az adatok könnyen hozzáférhetőek, a modell logikája egyértelmű és minden szereplő számára elfogadható. Senki nem kérdőjelezi meg, hogy az idősebbek általában több ellátást vesznek igénybe, és bizonyos életkorban különbség mutatkozik a nemek között. Kézenfekvő kérdés, hogy ha ilyen egyszerű, akkor miért nem ezt a modellt használják más országokban a várható költségek becslésére, és miért is próbálnak túllépni ezen a modellen? Ennek magyarázata, hogy a modell meglehetősen gyengén tudja a kiadások eltéréseit (varianciáját) megmagyarázni. Másképp fogalmazva, a modell nem képes a költségek nagy részéért felelős, magas megbetegedési kockázattal rendelkező emberek szűk körét identifikálni. A demográfiai modell magyarázó ereje (R2) 4-6%, míg a legjobb fejkvóta modellek magyarázó ereje az egyének szintjén meghaladhatja a 25 %-ot (Kronick R et al. 1996;van Vliet R 1992). (Magyaror- szágon a magyarázó erőt vizsgáló statisztikai mérést Nagy és munkatársai készítettek (Nagy B et al. 2004), amelyben a nemzetközi irodalomnak megfelelő 4,5%-os eredmény született ). Fontos leszögezni, hogy a demográfiai modell pusztán azért, mert viszonylag keveset képes megmagyarázni a költségek varianciájából, nem nevezhető igazságtalannak, hiszen a kor és nem alapján definiált különbségek mindenképpen jogosak. A probléma csak az, hogy ez a két változó nem képes kellő mértékben figyelembe venni az emberek eltérő szükségleteiből adódó különbségeket. A 3. ábrán jól látható, hogy a legnagyobb demográfiai fejkvóta is alig több mint 280 ezer Ft. Ez az összeg kevesebb, mint 10%-a egy krónikus művesekezelt beteg átlagos kezelési költségének (Nagy B et al. 2005). Nyilvánvaló tehát, hogy a valós egészségügyi kiadások tekintetében a különböző betegségekkel küszködő emberek között a demográfiai modell nem lesz képes különbséget tenni. Valószínűleg ugyanígy nem lenne képes megkülönböztetni az eltérő szociális helyzetben lévő emberek egészségügyi szükségleteit. A modell relatíve gyenge teljesítménye csak annyit jelent, hogy az egészségügyi szükségletekben még sok olyan más tényező is szerepet játszik, amelyeket nem lehet a kor és a nem számlájára írni. Ez nem mond ellent annak, hogy a kor és a nem, mint alapvető kockázati tényező fontos eleme maradjon a fejkvóta alapú forrásallokációs rendszernek. Ezért a modellek fejlesztésekor nem az a cél, hogy a jó, de gyenge demográfiai változókat elhagyjuk, hanem hogy újakkal egészítsük ki. A kezdeti modellépítéseknél a demográfiai modell alkalmazása mindenképpen fontos, mert minden fél által elfogadható kiindulópontot jelent. Ajánlott azonban minél hamarabb ezen a modellen túllépni és a szükségleteket további magyarázó változók segítségével jobban becsülni, annak érdekében, hogy a hatékonysági és méltányossági forrásallokációs célok megvalósuljanak. A demográfiai modell hatása A 4. ábra azt mutatja, hogy a kor és nem alapján korrigált fejkvóta hogyan allokálná újra megyénként az egy főre jutó egészségügyi költségeket a Magyarországon. Látható, hogy az egy főre jutó költségek az eredeti megyei allokációhoz képest jelentősen változnának. Baranya megye 12%-kal, Budapest 5%-kal kevesebbet kapna egy főre vetítve. A legjobban Győr-Moson-Sopron, illetve Veszprém megye járna, de találunk olyan megyéket is (pl. Bács-Kiskun, Békés, Fejér) ahol az új fejkvótával alig mutatkozik eltérés az eredeti forrásallokációhoz képest. A 4. ábra azt mutatja, hogy a demográfiai fejkvótával a legalacsonyabb egy főre jutó bevétele SzabolcsSzatmár-Bereg (Szabolcs) és Hajdú-Bihar, Pest és BAZ megyének lenne, tehát ezeknek a megyéknek a kor és nem szerinti összetétele a legkedvezőtlenebb a demográfiai fejkvóta szempontjából. Úgy tűnik, hogy a kor és nem szerinti allokáció jelentősen felborítaná a források eddigi elosztásának rendjét. Geográfiai szempontból nem egyértelmű, hogy milyen irányba történnének a változások. Például BAZ megye az eddigi bevételéhez képest 6%-kal több forráshoz jutna, de még így is a sereghajtók között lenne az egy főre jutó bevételek tekintetében. Sza- IME VI. ÉVFOLYAM 10. SZÁM 2007. DECEMBER 9 EGÉSZSÉGPOLITIKA 4. ábra A demográfiai változókkal meghatározott egy főre jutó fejkvóta bevételek 5. ábra A demográfiai modell forrásallokációs hatása (a bevételek eltérése a jelenlegi kiadásoktól) bolcs járna a legrosszabbul, mert oda az eddigieknél is kevesebb pénz jutna, és az egy főre jutó bevételek tekintetében az utolsó helyre kerülne. Ugyanakkor Baranya megye azzal, hogy 12%-kal kevesebb bevételhez jutna, még mindig az egyik legjobb helyen lenne az egy főre jutó költségek tekintetében. Végül gyakorlatilag csak annyi vonható le következtetésként, hogy a demográfiai modell bevezetésével a jelenlegitől lényegesen eltérő allokációs rendszer működne, amelynek paraméterei – a kor és nem – nem valószínű, hogy a valódi szükségletek szerinti forráselosztást képesek tükrözni. A szereplők valószínűleg igazságtalannak tartanák a rendszert, annak ellenére, hogy a modell filozófiája jól nyomon követhető és egyértelmű. A változók csekély magyarázó ereje következtében túl nagy lenne az a random hatás, amit nem sikerülne megmagyarázni, és ezzel együtt az a hatás is, amit egyes megyék értelmetlenül elszenvednének. Még egyszer hangsúlyozzuk: ez a mechanizmus nem biztos, hogy igazságtalanabb, vagy rosszabb, mint a jelenlegi allokációs rendszer, de a jelenlegi, már beágyazódott (valószínűleg igazságtalan) allokációtól való eltérés egészen biztosan súlyos működési zavarokat okozna, amelyeknek nem érdemes a rendszert kitenni. Egyik pillanatról a másikra ilyen jelentős, drasztikus bevételváltozást eredményező átalakítás nem lenne célszerű. 10 IME VI. ÉVFOLYAM 10. SZÁM 2007. DECEMBER Megyei szintű mutatókból képzett modellek hatási A demográfiai modellre épített megyei indikátorok hatásait a 6-8. ábrák tartalmazzák. Anélkül, hogy a 6. ábraán bemutatott „kvázi” egészség-modelleket külön-külön végigvizsgálnánk, minőségüket kritikával illetnénk, és részletesen tárgyalnánk az egyes számítások korlátait, elmondható, hogy ezek a változók egymáshoz nagyon hasonlóan viselkedtek. Három megye különösen jól járna ezeknek a változóknak a bevezetésével: Borsod-Abaúj-Zemplén, Szabolcs-Szatmár-Bereg és JászNagykun-Szolnok megye. Különösen rosszul járna Budapest és Baranya megye. A többi megyét indikátortól függően változó hatások érnék. Az is látható, hogy a demográfiai modellek hatásának irányát nem mindig követik az új változók, azaz a demográfiai változók és az új indikátorok nem mindig egy irányba hatnak. Érdemes például kiemelni Győr-Moson-Sopron megyét, ahol a demográfiai változók alapján több mint 10%-os forrásátcsoportosítás történne, míg a „kvázi” egészség-változók jelentősen csökkentik ennek mértékét. Amennyiben elfelejtjük ennek az elemzésnek a későbbiekben tárgyalt korlátait, akkor nyugodtan állíthatjuk, hogy az új indikátorok az ország egészségi állapotában területi alapon olyan komoly eltéréseket jeleznek, amelyeket a demográfiai változók nem voltak képesek kimutatni. Ezért mindenképpen indokoltnak látszik a fentiekhez hasonló (de ezeknél jóval részletesebben kidolgozott) egészségi állapottal kapcsolatos változók bevezetése. A 7. és a 8. ábrán láthatók a nem egészség-modellek, ahol a fejlettség mértékével fordítottan változtattuk a források elosztását. (Ahol magasabb a GDP-termelés szintje, az iskolázottság, az urbanizáció foka, a szennyvízhálózat fejlettsége, vagy alacsonyabb a munkanélküliségi ráta, oda relatíve kevesebb pénz jutott) BAZ, Heves, Jász-Nagykun-Szolnok, Szabolcs mindenképpen nyertesek lennének ebben a rendszerben, míg Budapest és Baranya minden esetben forrásokat vesztenek. A legdrasztikusabb hatása a GDP-termelés figyelembe vételének lenne. Ennek alkalmazásával Budapest lenne a legnagyobb és gyakorlatilag az egyetlen vesztes, míg minden más megye legalább a jelenlegi allokációhoz hasonló vagy annál magasabb összegekhez jutna. Nyilvánvaló hogy egy ilyen modell alkalmazását nehéz lenne tudományos módszerekkel igazolni amellett, hogy komoly társadalmi ellenállásba ütközne. 6. ábra A potenciálisan elvesztett életévekkel, a szociális és a közgyógyellátási tényezővel korrigált demográfiai modellek hatásai (a bevételek eltérése a jelenlegi kiadásoktól) EGÉSZSÉGPOLITIKA 7. ábra Az iskolázottsági tényezővel és a munkanélküliséggel korrigált demográfiai modellek hatásai (a bevételek eltérése a jelenlegi kiadásoktól) 8. ábra A csatornázottsági, az urbanizációs tényezővel és a GDP-vel korrigált demográfiai modellek hatásai (a bevételek eltérése a jelenlegi kiadásoktól) MEGBESZÉLÉS További elemzések szükségesek Már ezekből az egyszerű elemzésekből is kirajzolódik, mennyire összetett, elméleti és módszertani kérdésekkel terhelt feladat olyan fejkvóta formulát készíteni, amely: • a valódi szükségleteket tükrözi; • számításokkal alátámasztott jól mérhető, érthető indikátorokra épül; • viszonylag egyszerű és érthető; • gyakorlatban jól alkalmazható; • igazságos; • és minden fél számára elfogadható allokációt valósít meg. Az is világosan látszik, hogy a fenti egyszerű modellek alapján nem szabad és nem is lehet forrásallokációs döntéseket hozni. Különösen veszélyes lehet egy-egy indikátor megkülönböztetett kiemelése. Egy új formula kidolgozásához a fentinél részletesebb. átgondolt háttérvizsgálatok, későbbi folyamatos fejlesztés, társadalmi értékválasztás és politikai döntések szükségesek. A végső modellnek nem csak a tudományos szükségletbecslési eredmények, hanem társadalmi értékkonszenzus alapján kell megszületnie. A jelenleg rendelkezésre álló magyarországi adatok (bizonyos esetekben megfelelő validálás után) alapvetően alkal- masak egy igen fejlett, egészségi és más tényezőket egyszerre, egyéni szinten kezelő forrásallokációs formula kialakítására. Magyarországon szinte korlátlan mennyiségű egyéni egészségügyi adat áll rendelkezésre az OEP és az ESKI adatbázisaiban. Ezek az adatok megfelelő vizsgálatok után jól alkalmazhatók egészség-modellek építésére, úgynevezett betegség klasszifikációs rendszerek kidolgozására, adaptációjára. Ugyanakkor az aggregált, kistérségi (általában szociodemográfiai) adatok is elérhetők, amelyek az egészségügyi individuális adatok kiegészítésére használhatók. Így a forrásallokáció egy olyan hibrid rendszerből állítható össze, amely finanszírozásból nyert egészségi állapottal összefüggő egyéni adatokat és kiegészítésképpen aggregált területi (elsősorban kistérségi) adatokat is használhat. Fontos látni, hogy az aggregált adatok alkalmazása számos metodikai problémával terhelt. Ezért a fent használt megyei adatokból nyert információk kapcsolata a valódi egészségügyi szükségletekkel olyan mértékű bizonytalanságot hordoz, hogy ezek alkalmazása több veszéllyel jár, mint előnnyel. Például megyei szintű indikátorok használata egyáltalán nem ajánlott. Ugyanakkor az igénybevételi adatok használata káros ösztönző hatásoknak lehet kitéve, mint például adatmanipuláció, túlkódolás, és más bevételnövelő szolgáltatói magatartásformák. Minden modell a kidolgozása és bevezetése idő, pénz és körültekintés kérdése: hagyni kell teret a felkészülésre a modellfejlesztésre, hatáselemzésre és a visszacsatolásra. Kockázatkiegyenlítés és fokozatosság A fenti elemzések mutatják, hogy a formula fejlesztése során nem szabad megfeledkezni a fejkvótás forrásallokációs mechanizmusba iktatott kiegészítő elemekről. Ezek az úgynevezett „fékek” vagy „szelepek” az ellátó rendszer folyamatos működését biztosíthatják, és a betegek zökkenőmentes ellátása érdekében csökkentik az egyes pénztárakra terhelt pénzügyi kockázatot. Két ilyen fontos elem látható. Az egyik a kockázatmegosztás intézménye, amelyet a fejkvóta kialakításával párhuzamosan kell kidolgozni. A kockázatmegosztás szerepe azoknak a tényezőknek a kezelése, amelyeket a súlyozott fejkvóta már nem (és a kockázatközösség nagysága sem) képes korrigálni. Ilyen lehet például a kiugróan magas költségű eseteknek a kiemelése a formulából vagy ezek visszamenőleges térítése bizonyos költségküszöb felett. A kockázatmegosztás alkalmazásakor fontos látni annak veszélyét, hogy ezeknek az eszközöknek a használata hosszú távon a pénztárak hatékony működése ellen hat. Ezért a fejkvótás formula fejlődésével ezeket az elemeket fokozatosan háttérbe kell szorítani, de a rendszer bevezetésekor minden bizonnyal fontos szerepet kell szánni nekik. A másik fontos „fék” a fokozatosság. A fenti elemzésekből láthattuk, hogy az új, szükségletekre épülő formula várhatóan jelentős erőforrás-átcsoportosítást indukál, melynek azonnali érvényesítése drasztikus hatást gyakorolna a jelenlegi rendszerre, és komoly működési zavarokat okozhatna. Ennek elkerülésére a jelenlegi forrásallokációs helyzetből fokozatos 510 éves átmenetre van szükség a kívánatos (szükségletala- IME VI. ÉVFOLYAM 10. SZÁM 2007. DECEMBER 11 EGÉSZSÉGPOLITIKA pú) forrásallokáció megvalósításához. Ez elegendő időt hagy a szereplőknek az intézményi struktúra átalakítására, a fejkvóta rendszerének teljes kidolgozására és finomhangolására. Az elemzés korlátai A fejkvóta finomítását illusztráló, most bemutatott elemzések példaszámításokat tartalmaznak. A számok és a grafikonok előzetes számítások eredményei és kizárólag illusztratív jellegűek. Egy tudományos igényű formula első változatának kidolgozásához alapos előkészítésre, minimum 6-8 hónapos kutatómunkára van szükség. Következésképpen az itt bemutatott modellek (és a bennük használt változók) a 2009. január 1-től induló rendszerben alkalmazható formuláról nem adhatnak semmilyen tájékoztatást, csak jelezhetik fejkvóta formula finomításának várható irányát. Fontos azt is látni, hogy az itt bemutatott fejkvóta-változók – a demográfiai változók kivételével – csak megyei szintű információkat tartalmaznak, és csak a megyei szinten súlyozott fejkvóta hatásait mutatják. A pénztárak számára készített fejkvótának viszont egyéni szintű adatokra támaszkodva kell megkülönböztetni az emberek várható szükségleteit. Ennek oka egyrészt, hogy a pénztárak nem területek, hanem személyek ellátása után kapják majd a fejkvótát, és – mivel a személyek szabadon mozoghatnak az egyes pénztárak között – ezt a fejkvótának tudnia kell követnie. Ennek megfelelően az itt bemutatott megyei szintű forrásallokációs példák csak a pénztárak felállításakor értelmezhetők, mivel a területi egységek később felpuhulnak. Ennek megfelelően az itt használt megyei indikátorok ebben a formában később már nem is lesznek értelmezhetők. Másrészt fontos azt is tudni, hogy a nemzetközi irodalom egyértelműen állást foglal abban, hogy a várható egészségügyi kiadások és a szükségletváltozók közötti kapcsolatot lehetőség szerint az egyén szintjén kell modellezni, mert az összevont adatok (pl. megyei szintű adatok) használata sokszor téves következtetésekhez vezet. Gondoljunk csak arra, hogy Magyarországon például egy-egy megyén belül mekkora különbségek adódhatnak a hozzáférési, mortalitási, morbiditási, vagy szociodemográfiai mutatók tekintetében. Ezért nem elképzelhetetlen, hogy a megyei szintű mutatók alapján implikált összefüggések nálunk – akárcsak máshol a világon – félrevezetőek lennének. A fentiekből következik, hogy demográfiai allokáció megyei szintű súlyozása nyilvánvalóan rendkívül egyszerű és önkényes módszer, amely a valódi szükségletbecslésre csak logikájában emlékeztet. Hiszen a valódi szükségletek meghatározásához és a szükségletváltozók hatásának figyelembe vételéhez a formulában mélyrehatóbb vizsgálatok szükségesek. Ehhez egyéni esetleg kistérségi szinten kidolgozott többváltozós statisztikai vizsgálatokra van szükség, amelyek az egyes változók interakcióját is figyelembe veszik. Nem kívánjuk részletezni a megyei szintű elemzésekhez használt 8 indikátor minőségét és kapcsolatát az emberek egészségügyi szükségleteivel, de például a GDP-vel fordítottan arányos egészségügyi szükségletek feltételezése nem valószínű, hogy kiállná a tudományos vizsgálatok próbáját – ez tovább erősíti az elemzések illusztratív jellegét. KONKLÚZIÓ Magyarországon a jelenlegi forráselosztás és az egészségügyi szükségletek területi eloszlása minden bizonnyal eltérő képet mutat. A kor és nem alapján kialakított fejkvóta formula egy a jelenlegitől lényegesen eltérő forrásallokációt valósítana meg. A demográfia változók mellett használható fejkvóta-elemek bevezetésére minden bizonnyal szükség lesz, de ezekről egyelőre nagyon keveset tudunk. Attól függően, hogy milyen elemek kerülnek a demográfiai változók után bevezetésre, több irányba is elmozdulhat az allokáció, de ezek az irányok a megyei szintű indikátorok alapján nehezen határozhatók meg. A fejkvóta rendszer kialakításához a szükségletek tudományos igényű becslésére van szükség, amely alapos kutatást igényel. A fejkvóta formula bevezetésével párhuzamosan szükség van egy olyan kockázatmegosztási mechanizmusra is, amely képes a fejkvóta-formula tökéletlenségeiből adódó eltéréseket kompenzálni. Egy viszonylag egyszerű, kezdetleges fejkvóta formula esetén az igazságtalan és elkerülhetetlen egyenlőtlenségek kiküszöbölésére célszerű először erős kockázatmegosztási rendszert működtetni, melynek súlyát természetesen később csökkenteni lehet és kell is. A fejkvóta formula készítése és a kompenzációs rendszer kidolgozása, pontosítása összetett számos diszciplina bevonását igénylő tudományos feladat, melynek sikeres teljesítése akár évtizedekig eltarthat. IRODALOMJEGYZÉK [1] Andersson P A, Varde E and Diderchsen F (2000) Modelling of resource allocation to health care authorities in Stockholm County. Health Care Management Science 3, 141-149. [2] Behrend C, Buchner F, Happich M, Holle R, Reitmeir P and Wasem J (2007) Risk adjusted capitation payments: how well do principal inpatient diagnosis-based models work in the German situtation? Results from a large dataset. European Journal of Health Economics 31-39. [3] ESKI IMEA (2007) Internetes Magyar Egészségügyi Adattár – Rendszeres szociális segélyben részesítettek 12 IME VI. ÉVFOLYAM 10. SZÁM 2007. DECEMBER aránya 10 ezer lakosra, 2005. www.eski.hu: Egészségügyi Stratégiai Kutató Intézet. [4] Goglio A (2005) In search of efficiency: improving health care in Hungary – WORKING PAPERS No. 446. Organisation for Economic Co-operation and Development, Economics Department. [5] Kincses Gy, Surján Gy, Kováts T, Szilágyi É, Szirmai L, Nyers Á and Lipták M (2003) Tanulmány Magyarország régióinak egészségügyi helyzetéről. ed. Kincses Gy Budapest: Egészségügyi Stratégiai Kutatóintézet. EGÉSZSÉGPOLITIKA [6] Kronick R, Dreyfus T, Lee L and Zhou Z (1996) Diagnostic risk adjustment for Medicaid: the disability payment system. Health Care Financing Review 17, 7-33. [7] KSH (2006a) Demográfiai Évkönyv, 2005. Budapest: Központi Statisztikai Hivatatal. [8] KSH (2006b) Területi Statisztikai Évkönyv, 2005. Budapest: Központi Statisztikai Hivatatal. [9] Lamers L and van Vliet R (2004) The Pharmacy-based Cost Group model: validating and adjusting the classification of medications for chronic conditions to the Dutch situation. Health Policy 68, 113-121. [10] Lamers L, van Vliet R and Van de Ven W (2003) Risk adjusted premium subsidies and risk sharing: key elements of the competitive sickness fund market in the Netherlands. Health Policy 65, 49-62. [11] Mihályi P (2003) Bevezetés az egészségügy közgazdaságtanába . Veszprém: VEK. [12] Nagy B, Dózsa Cs and Boncz I (2004) A fejkvótaszámítás továbbfejlesztésének lehetőségei az irányított betegellátási rendszerben. Egészségügyi Gazdasági Szemle 42, 15-24. [13] Nagy B, Falusi Zs, Boncz I, Dózsa Cs and Gerendy P (2005) A művesekezeltek ellátása Magyarországon 20002003” Egészségügyi Gazdasági Szemle 2005; 43:5: 3237 . Egészségügyi Gazdasági Szemle 43, 32-37. [14] Newhouse J P (1998) Risk adjustment: where are we now? Inquiry 35, 122-131. [15] OEP – Gyógyinfok (2007) 10 ezer főre jutó aktív ágyak megoszlása megyénként 2006-ban. www.oep.hu: Országos Egészségbiztosítási Pénztár. [16] Orosz É (2001) Félúton vagy tévúton? Egészségügyünk félmúltja és az egészségpolitika alternatívái . Egészséges Magyarországért Egyesület. [17] Schokkaert E and Van de Vorde C (2003) Belgium: risk adjustment and financial responsibility in a centralised system. Health Policy 65, 5-19. [18] Shmueli,A. and Chinitz D (2001) Risk-adjusted capitation – The israeli experience. European Journal of Public Health 11, 182-184. [19] Sutton M, Gravelle H, Morris S, Leyland A, Windmeijer F, Dibben C and Muirhead M (2002) Allocation of Resources to English Areas. Report to the Department of Health. Edinburgh: Common Services Agency. [20] Van de Ven W, Beck,K., Wasem,J. and Zmora,I. (2007) Risk adjustment and risk selection in Europe: 6 years later. Health Policy 83, 162-179. [21] Van de Ven W and Ellis R (2000) Risk adjustment in Competitive Health Plan Markets. In Handbook of Health Economics ed. Newhouse J P and Culyer A J pp. 757-845. Elsevier Science. [22] van Vliet R (1992) Predictability of individual health care expenditure. The Journal of Risk and Insurance 59, 443-460. A SZERZÔK BEMUTATÁSA Nagy Balázs közgazdász, 2000-ben szerzett MSc oklevelet a Debreceni Egyetem Közgazdaságtudományi Karán. 2000-től 2002-ig az Országos Egészségbiztosítási Pénztár, 2002-től 2004-ig az Egészségügyi Minisztérium elemző közgazdásza, ahol fő területe az irányított betegellátási rendszer. 2003-tól a Debreceni Egyetem doktorandusz hallgatója. Phd tanulmányait a 2003-2004-es tanévben a Sheffieldi Egyetem School of Health and Related Research tanszékén folytatja. 2004. októberétől a Sheffieldi Egyetem és Corvinus Egyetem Közszolgálati Tanszékének kutatási ösztöndíjasa és tudományos munkatársa. Főbb érdeklődési területei: egészségügyi technológiaelemzés, modellezés, managed care, egészségbiztosítás, egészségügyi finanszírozás. Sipos Júlia 2004-ben az Eötvös Loránd Tudományegyetem Természettudományi Karán szerzett matematika szakos tanári diplomát. 2007-ben a Budapesti Corvinus Egyetem Gazdálkodástudományi Karán Számvitel főszakirányon és Egészségügyi közgazdaságtan és technológiaelemzés mellékszakirányon végzett. 2007. augusztus 31. óta az Egészségügyi Minisztérium munkatársa. Dr. Nagy József belgyógyász, az orvostudomány kandidátusa, egészségügyi szakmenedzser. 13 éves egyetemi gyógyító, oktató és tudományos tevékenység után a Richter Gedeon klinikai kutatási igazgatója lesz, majd a német Schering gyógyszerkonszern hazai leányvállalatának ügyvezetője 6 éven keresztül. A Debreceni Orvostudományi Egyetemen a sejten belüli jeltovábbítás mechanizmusát tanulmányozta, eredményeit számos külföldi és hazai publikációban, könyvrészletben tette közzé. A 90-es évektől a hazai gyógyszerpiac tendenciáinak elemzésével majd a bizonyítékokon alapuló orvoslás és az egészségügyi technológia-értékelés kérdésivel foglalkozik. Alapító tagja többek között a Magyar Egészséggazdaságtani Társaságnak és a GKI-Egészségügy-kutató Intézetnek, ez utóbbinak jelenleg is vezető tanácsadója. IME VI. ÉVFOLYAM 10. SZÁM 2007. DECEMBER 13
