Zorgvraagtypering in de ggz volgens de NZa

19 April 2023 Theo Broekman

Het wordt er niet beter op. Position paper van de NZa over haar rol: De regulerende rol van de NZa in de ggz.

Taal?

De NZa veegt vooral haar eigen gelegenheidsargumenten bij elkaar in het al (te) lang durende proces zonder enige reflectie en ook wat (war)taal:

"Het wordt breed gedeeld door experts in de ggz dat de diagnose geen geschikt middel is om een taal van de ernst van de zorgvraag te bepalen." p.4

en op dezelfde pagina iets verder:

"De opgegeven scores worden vertaalt (sic) in een zorgvraagtype dat de behandelaar kiest, één van twintig categorieën."

Volgens het paper baseert het zorgprestatiemodel het tarief op vier factoren: setting, beroep, type consult, en duur consult (p3). Verderop:

"Het zorgvraagtype kan gebruikt worden om met bijvoorbeeld zorgverzekeraars in gesprek te gaan over wat er nodig is voor de groepen patiënten die bij een zorgaanbieder onder behandeling zijn. Op deze manier kan zorgvraagtypering een eerlijke vergoedingen (sic) stimuleren voor zorg die zo goed mogelijk aansluit bij de zorgvraag van de patiënt."

Zorgrvraagtypering speelt geen rol in de tarieven maar moet wel een rol gaan spelen in de vergoeding. Hoe dat in zijn werk zou moeten gaan, wordt nergens duidelijk gemaakt, maar als het niet in de tarieven zit, dan zal het in het volume moeten zitten en/of in het soort setting, beroep, type consult en duur consult dat voor een bepaalde zorgvraagtypering wordt vastgesteld. Daar zou de "nieuwe taal" dan bij moeten helpen?

Strategisch gebruik?

In het paper wordt ook nog eens prominent een grafiek getoond die het strategisch registreren door ggz-aanbieders in het dbc-systeem moet laten zien. Met de zorgvraagtypering pakt de NZa het anders aan. Hier wordt in de Beschrijving van de Zorgvraagtypen precies uitgelegd hoe de HoNOS gescoord moet worden om de (gewenste) complexiteit van het zorgvraagtype te verkrijgen. Ik heb nergens kunnen vinden hoe de NZa denkt strategisch gebruik hiervan te voorkomen.

Kleurschema's: wat is de verwachte en verplichte score van de items per cluster

De zorgvraagtypering van de NZa is een kopie van het oude engelse zorgclustermodel dat daar bekend is als het MHCT (Mental health clustering tool). De kopieën van cluster 1, 4, 6 en 14 zijn niet helemaal gelijk aan de originelen. Dat zal niet met opzet gedaan zijn. Blijkbaar houdt de NZa niet van rood want ze gebruikt een ander kleurenpalet met groen, maar wel de vertaling "rode regels" van "red rules". Deze geven aan welke itemscores bij een cluster gescoord moeten worden. In de technische beschrijving wordt dit andersom uitgelegd: "Deze combinaties worden uitgesloten met ‘rode regels" (p. 6).

Foute formule

1820 coëfficiënten

De Mental Health Clustering Tool (MHCT) kent aan iedere score op een item voor ieder cluster een coëfficiënt toe. Er zijn dus 5 (scores) * 18 (items) * 20 (clusters) = 1800 coëfficiënten met voor ieder cluster nog een constante coëfficiënt, wat het totaal op 1820 brengt. Deze zijn in 2012 vastgesteld. Het is duidelijk dat (a) dit veel te veel parameters zijn waardoor overfitting plaats vindt, (b) door de dichotomisering van de antwoorden in 5 aparte variabelen per item, de assumpties van discriminant analyse ernstig geschonden worden. We werken dit hier nu niet verder uit, maar gaan in op hoe er met het vastgestelde model (het algoritme) is omgegaan.
De NZa heeft de MHCT naar Nederland gekopieerd. Vergelijking van de ZVT-coëfficiënten met de MHCT-coëfficiënten laat echter zien dat deze kleiner zijn: een factor 10 voor de clusters 1 tot en met 17 en een factor 100 voor de clusters 18-21. In de de technische beschrijving geeft de NZa geeft daar geen verklaring voor.

Wat is er aan de hand?

In de Technical Guidance Version 2.5 van de MHCT staat: “From the Discriminant Fischer (sic) Scores (dat zijn de coëfficiënten) for each cluster, the percentage fit for each cluster can be calculated. This is done by calculating the exponential of the Discriminant Fischer (sic) score. In order to ensure that that Excel and programmatic languages can cope with the exponential that is calculated (sometimes the values can be very large) the result is also divided by 100 as shown in the table below." (sic) betreft dat het Fisher is en niet Fischer.

Bij het berekenen van de waarschijnlijkheid dat een profiel tot een cluster behoort, worden bij de formule de coëfficiënten voor de clusters 1 tot en met 17 door 10 gedeeld en de die voor de clusters 18-21 door 100. Let wel, aan de coëfficiënten zelf verandert niets.

Delen en exponenten

Rekenkundig maakt het niet uit of je het doet door te delen in de formule (MHCT) of te delen vooraf (NZa). Het probleem is dat het sowieso fout is. Het argument om te delen is dat de getallen te groot worden om uit te rekenen. Dat zou kunnen als de verhouding tussen de uitkomsten van de formule voor de clusters hetzelfde blijft. Dat is echter niet het geval. Omdat de uitkomst een exponent is, verandert de verhouding tussen de uitkomsten na deling van de coëfficiënten door 10 of 100.

Waarschijnlijk heeft de NZa, om niet te hoeven uitleggen dat de coëfficiënten in het algoritme gedeeld worden alleen omdat gebruikelijke programmatuur het anders niet kan uitrekenen, de coëfficiënten zelf alvast gedeeld door 10 of 100.

Overigens blijft wel de rangorde van de waarschijnlijkheden in stand, de transformatie (delen) is rangorde invariant, maar niet interval variant. En dat zou je toch mogen verwachten met coëfficiënt die tot 12 decimalen “nauwkeurig” worden gegeven.

Voor een idee hoe het uitpakt, heb ik 20 profielen gemaakt die ieder volgens de kleurenkaart typisch zijn voor een cluster. Links het scoreprofiel, rechts de waarschijnlijkheden, eerst zonder de “rode regels” daarnaast met “rode regels”. Alles berekend met software die wel met zeer grote getallen kan rekenen.