2019年全国基本医疗保障事业发展统计公报显示，2019年全国基本医疗保险（以下简称“医保”）参保率稳定在95%以上，基本医保已经基本实现全覆盖。与此同时，我国医保目录逐步扩大，医疗保障待遇逐步提升。然而随着医保范围的扩大，医保基金也面临着人口老龄化、异地就医、医疗费用上涨等多方面的风险^[1]。同时，不同地区医保基金的运行状况不同，医保基金面临结余与亏空并存的现象^[2]。为了加强医保基金管理，平衡各地区基金风险，2019年10月，国家医疗保障局在《对十三届全国人大二次会议第6348号建议的答复》中提出要研究建立省内乃至全国范围内的基金调剂和风险平衡机制^[3]。

自20世纪90年代起，德国、荷兰、美国等^[4]国家开始引入医保基金风险调节机制，根据基金收支情况对不同统筹单位进行转移支付，以平衡不同基金池面临的风险。美国医疗保险与医疗补助服务中心（Centers for Medicare & Medicaid Services, CMS）自2004年起用医疗保险与医疗补助服务中心-等级健康状况分类（CMS-hierarchical condition categories, CMS-HCC）模型根据人口特征和健康状况调整向商业保险公司支付的人头费，从而平衡各签约保险公司基金池间的风险。风险调整（risk adjustment）的主要依据是个人风险评分（risk score），CMS通过构建回归模型测算各风险调整因素的风险调整系数，从而根据参保者的实际健康状况和人口学特征计算个体风险评分，作为支付费用的依据。现从我国医保基金所面临的问题出发，介绍用CMS-HCC模型进行风险调整的实施背景、发展历程、模型结构，阐述风险评分的计算方法，以期为加强我国医保基金风险管理提供参考借鉴。

1 CMS-HCC风险调整模型 1.1 实施背景与发展经过

美国联邦政府设立Medicare，主要为65岁及以上的老年人、残疾人、终末期肾病患者提供医疗保险。Medicare的C部分（Part C）指医疗保险优势计划（Medicare advantage, MA），由与CMS签订合约的商业保险公司提供，参保对象为具有Medicare资格的老年人和残疾人，是传统Medicare（traditional Medicare）的一种替代选择。2019年，总共6 400万人参加Medicare，其中2 200万人（占34.38%）选择了MA^[5]。CMS基于CMS-HCC风险调整模型向MA支付费用，并为终末期肾病患者设立了单独的风险调整模型。本文讨论的风险调整模型主要面向老年人和残疾人。

在按人头支付的情况下，保险公司往往倾向于选择更为健康的人参保，而排除健康状况较差、耗费医疗资源较多的人。为了减少风险选择，使保险公司更加注重于提升服务质量，CMS决定引入CMS-HCC风险调整模型。

在十余年的发展中，CMS几乎每年都会对CMS-HCC风险调整模型进行调整或者更新，以适应医疗支出的变化、提升模型预测的精确性。调整内容主要包括运用新的诊断和支出数据对模型的系数进行修订、对诊断分组进行完善、对人群进行细分等。模型调整内容见表 1。

对商业保险公司支付的人头费进行以健康状况为基础的风险调整可以追溯至1997年美国颁布的《平衡预算法案》（the Balanced Budget Act）^[6]。开始时，主要基于住院诊断判断参保人的健康状况。2000年美国国会颁布《福利改善和保护法案》（the Benefits Improvement and Protection Act），要求在住院诊断的基础上纳入门诊诊断。由此，CMS选择了CMS-HCC风险调整模型^[7]。

由于同一疾病的费用在不同人群中存在差异，模型对具有不同特征的人群进行了划分，每个人群具有独立的风险调整系数。参保人被划分为3组——社区人群、专业护理机构居住者及Medicare新加入者：专业护理机构居住者指在护理机构的入住时间超过90 d的参保人^[8]；新加入者包括Medicare的新进入者和缺少前一年完整诊断信息的参保者，这部分人群只根据人口学因素进行风险调整。

2014年，CMS对模型进行了重要的临床修订，根据国际疾病分类ICD-9-CM进行了重新分组^[9]。2017年，CMS将社区人群进行了细分，根据是否同时具有Medicaid资格和处于老年或残疾状态将社区人群分为6组——非双重资格老年人（non-dual aged）、非双重资格残疾人（non-dual disabled）、部分福利资格老年人（partial benefit dual aged）、部分福利资格残疾人（partial benefit dual disabled）、完全福利资格老年人（full benefit dual aged）、完全福利资格残疾人（full benefit dual disabled）^[10]。

根据《21世纪治愈法案》（21st Century Cures Act）的要求，CMS-HCC风险调整模型从2019年起进行了一系列新的变更，如增加新的HCC分组。2020年，模型中增加了参保者所患疾病数量这一新的风险调整因素，调整后的模型被称为替代支付状况计数（alternative payment condition count，APCC）模型^[11]，并于2020年起用于支付。

1.2 风险调整因素

目前，影响风险评分的因素主要包括HCC、人口特征、疾病交互作用、疾病数量等。在CMS-HCC风险调整模型中，每个风险调整因素都有其对应的风险调整系数，表示每个风险调整因素的增量（边际）风险评分。根据参保者的人口学因素和健康状况，将其所对应的增量风险评分相加，就会获得该参保者的个体风险评分。

1.2.1 HCC

HCC在国际疾病分类ICD-10与组别间建立了映射关系，各组的诊断在成本和临床特征上具有相似性，这些分组同时还根据疾病的严重程度建立了等级结构。对于相关的健康状况，各分组疾病按严重程度由重到轻进行排列，只有最严重的健康状况会被用于风险评分的计算，其余严重程度较轻的状况会被排除掉；而对于不相关的健康状况，各组HCC的增量风险评分会进行累加，以预测个体风险评分^[12]。

ICD-10总共映射了204个HCC，但并非所有的HCC都会用于支付，2020 CMS-HCC风险调整模型中用于支付的总共有86个分组，包含9 757个诊断编码。被排除的HCC主要包括与医疗支出风险无关的情况、暂时性的治疗、非特异性的症状，以及可能对供方产生不良激励的分组。被保留的HCC均被认为具有较好的费用预测能力^[12]。目前，最常被报告的诊断分组主要包括慢性阻塞性肺疾病（以下简称“慢阻肺”）、糖尿病、充血性心力衰竭（以下简称“充血性心衰”）、缺血性或不明原因的卒中、血管疾病、心绞痛、缺血性心脏病、特定心律失常、恶性肿瘤、类风湿性关节炎和炎性结缔组织病等^[13]。

1.2.2 人口学因素

风险调整因素也包括参保者的年龄、性别等人口学因素。根据年龄、性别将人群划分为24个单元，如男性、55~59岁为1个单元。对于Medicare新加入者，其风险调整只与人口学因素相关^[14]，主要包括年龄、性别、是否参加Medicaid、最初是否因为残疾加入Medicare。

1.2.3 疾病交互作用

由于同时患有某些疾病对于费用的影响大于单独患有这些疾病的费用之和，因此，风险调整模型中纳入了十余组对成本具有较大影响的疾病两两交互作用，如充血性心衰（HCC 85）和肾脏疾病（HCC 134-HCC 138）。针对长期入住护理机构的参保者，还设立了该人群独有的疾病交互作用项，如败血症与压疮^[15]。

1.2.4 疾病数量

2020 CMS-HCC风险调整模型开始考虑参保者患有疾病的数量。根据模型的人群分组，分别设置了5~7个关于HCC计数的组别。计数从有4~6个用于支付的HCC开始依次递增至有10个及以上的HCC，不同的HCC计数对应不同的风险调整系数。

1.3 风险评分的计算

风险评分的计算基于CMS-HCC风险调整模型。用传统Medicare按服务付费（fee for service）的参保者诊断和医疗费用数据构建模型，在此基础上计算个体风险评分，主要遵循以下过程：

（1）计算风险调整因素的成本系数。将每位传统Medicare参保者的医疗费用作为因变量，将人口学因素、HCC等风险调整因素作为自变量等纳入多元线性回归模型，模型采用加权最小二乘法进行估计，使每个自变量得到一个代表其边际成本的系数。

（2）计算相对成本系数。将边际成本系数除以Medicare按服务付费的人均成本，得到该风险因素的相对成本系数（或称风险调整系数）。

（3）计算风险评分。根据各参保者的人口学特征和诊断情况，将其对应的风险调整系数相加，即得到个体风险评分^[16]。

风险评分代表每位参保者在未来1年内的相对健康状况和医疗费用支出，评分越高，健康状况越差，预期的医疗支出越多。计算是具有前瞻性的，利用基准年（base year）收集的诊断及人口数据，预测下一支付年（payment year）的风险评分及预期成本。

现举例说明CMS如何计算个体的风险评分及预期费用。假设有一位男性，80岁，生活在社区，部分享受Medicaid福利，被诊断为慢阻肺、支气管扩张、充血性心衰、急性心肌梗死和失眠。使用2020 CMS-HCC风险调整模型中适用于社区、部分福利资格人群的部分对其进行估计^[11]，计算过程见表 2。根据各风险调整因素，男性、80~84岁对应的风险调整系数为0.544，慢阻肺、心力衰竭、急性心肌梗死对应的系数分别为0.358、0.336、0.293，慢阻肺与心力衰竭的疾病交互作用为0.158；由于支气管扩张症与慢阻肺属于相关疾病，慢阻肺较支气管扩张症更为严重，因此排除支气管扩张症；失眠则未被纳入模型。将所有风险调整系数相加，得到该参保人的风险评分为1.689。用风险评分乘以人均支出（2020 CMS-HCC风险调整模型对应9 365.50美元）可以得到预期支出为15 818.33美元^[12]。

1.4 风险调整模型的评价

实施风险调整模式后，有研究^[17]比较了MA和传统Medicare参加者的健康状况和医疗服务利用差异，发现两者的差异在缩小，也有研究^[18]比较了由传统Medicare转向MA与参加传统Medicare人群的预期费用及调整后的死亡率，发现两者的差异缩小，这说明将健康纳入风险调整因素有助于减少风险选择。

与此同时，CMS-HCC风险调整模型仍然存在一些问题：有研究^[19]表明，风险调整模型在一定程度上降低了预测精确度。由于CMS在所有HCC分组中选择了80余个用于支付，以减轻数据收集的负担，其直接后果是降低了某些发病率较低或支出较高的疾病的预测精确度。还有研究^[20]表明，尽管对测算方法进行了调整，但健康状况差、使用更多医疗服务的高成本人群仍然倾向于退出MA而选择传统Medicare，因此，当前的支付公式是否满足了高成本参保人的需要仍然存疑。

2 启示

CMS根据参保者的人口学特征、健康状况等调整对保险公司支付的费用，以此来平衡不同保险公司基金池所面临的风险。这种风险调整机制对于平衡我国各地区基金池间的风险具有较强的借鉴价值。

2.1 在不同区域和人群间建立基于风险结构的风险调整机制

目前，我国不同地区医保基金的运行状况差异较大：部分地区医保基金大量结余，运行效率低下；部分地区面临医保基金赤字，收不抵支。2019年，城镇职工医保有超过40%的结余集中在上海、广东、江苏、浙江、北京等省（直辖市），西藏、北京、山西等多个省（自治区，直辖市）的城乡居民医保基金结余为负^[21]。这可能与地区经济状况、筹资水平、医保制度、基金管理等多种因素有关。同时，各地医保的风险结构差异也是重要原因之一。我国各地区的人口年龄结构不同，部分地区老龄化程度较高，医保支出风险较大：2019年，山东省、四川省的老年人口抚养比已经分别达到23.8%、23.2%，而广东省、福建省仅为11.4%、13.7%^[22]；从地级市来看，2019年，浙江省的舟山市60岁及以上人口占比最高，达28.95%，温州市最低，为18.76%^[23]。不同省（自治区、直辖市）及地级市间的疾病负担也存在差异：从省（自治区、直辖市）来看，西部和北部省（自治区、直辖市）的重点慢性疾病负担高于东部、南部等沿海省份^[24]；从地级市来看，在山东省中，青岛、济南等中东部地区居民的心血管健康状况要明显优于菏泽、临沂等鲁西北、西南地区^[25]。此外，人口流动也是重要原因之一。目前我国流动人口规模进一步扩大，人口流动会导致各地区人口年龄结构与健康风险进一步差异化^[26]。医保筹资与风险状况不同不仅会导致地区间基金运行状况的差异，降低基金运行效率，还会加剧各地区医保待遇的差异，目前我国经济发达地区的医保待遇明显更优^[27]。

实施基于健康状况的风险调整为解决以上问题提供了一定的思路。可以设立上级医保基金管理机构，将各地区筹集到的资金进行统一汇集，基金管理机构再根据各地参保人的性别、年龄、疾病诊断等风险调整因素测算各地区人群的相对风险状况，从而决定各地区的基金分配数额，实现基于风险结构的资金分配与风险调整^[28]。这样可以使各地区获得与其人口健康状况、预期医保支出风险相对应的资金，不仅有助于地区间的互助共济，增强整体的抗风险能力，还有助于统一各地区医保待遇，提升医保基金的整体使用效率。

此外，可以在对家庭医生的按人头付费中纳入风险调整理念，将风险结构测量纳入家庭医生的支付标准，并强化家庭医生绩效考核^[29]。建立“结余留用”的激励机制，根据签约者的实际健康状况调整对家庭医生的支付费用，不仅有利于减少家庭医生的风险选择，还有助于推动家庭医生对签约人群的健康管理，加强基金风险控制。

2.2 构建适用于我国区域医保风险调整的人群分组和诊断分组

为了提升对不同人群费用预测的准确性，CMS-HCC风险调整模型根据残疾状况、是否入住专业护理机构、Medicaid资格状态等对Medicare人群进行了细分。我国在借鉴其经验时，首先需要确定风险调整对象，即是选择全人群还是仅针对费用较高的重点人群（如老年人等）。其次需要划分人群：如果风险调整对象为全人群，可以根据人口学和疾病特征将对象划分为成人组、儿童组和婴儿组；如果风险调整对象为重点人群，可以根据疾病与费用特征将人群进一步细分为不同组别，分别计算风险调整系数，以提升风险衡量的精确性。

适当的诊断分组是保证模型性能的关键。目前，CMS-HCC风险调整模型主要面向Medicare中65岁及以上的老年人或残疾人。因此，模型纳入的诊断主要为在老年人中发病率较高的慢性病或某些严重疾病，尚有一些诊断大类未被纳入，如妊娠相关疾病、新生儿疾病。另外，由于遗传、饮食、环境等方面的差异，我国和美国的疾病谱存在一定的差异，疾病特点、治疗手段、治疗成本也不尽相同，应根据中国的疾病模式与费用支出，对诊断进行重新分组以实现本土化。在此基础上，还需与按疾病诊断相关分组（diagnosis-related group, DRG）付费、按病种分值付费（diagnosis-intervention packet, DIP）等现有改革工作良好衔接^[30]。

2.3 完善模型算法，减少预测偏倚

CMS-HCC风险调整模型将参保者的医疗费用作为因变量估计模型系数，其中的关键假设是医疗费用和患者健康状况正相关。但有研究^[31]表明，这种算法存在偏倚，即使风险评分相同，但社会经济地位较低的人群或贫困人口的病情更严重。而产生偏倚的原因是医疗费用不能完全代表健康状况。在一定的健康状况下，受到交通、经济状况、医疗服务可及性、观念等因素的影响，即使拥有保险，社会经济地位较低者的医疗服务利用也可能比较少^[32]，从而导致医疗费用较低。因此，预测往往会低估社会经济地位较低者的实际健康状况。

在进行风险调整模型测算时，应对社会经济地位较低者予以重点关注。对模型算法进行调整，选择一个能够代表患者实际健康状况或卫生服务需要的因素作为模型的因变量^[31]，从而使风险评分准确反映个体的健康水平。

2.4 加强基础数据收集，提升病案信息质量

风险调整需要大量的患者数据作为基础，包括人口信息、诊断信息、医疗费用支出信息等。因此，需要推进地区间统一疾病诊断编码的使用、加强标准化建设，做好现有编码与标准编码的映射与转换工作，不断提升数据质量，确保数据的完整性与真实性。

疾病诊断信息直接影响着风险评分测算，在数据收集中尤为关键。目前，临床实践中仍然存在疾病编码的错填、漏填、模糊填报的问题，尤其老年人的合并症和并发症较多，难以准确编码^[33]。因此，要进一步提升病案首页信息质量，对患者的健康状况进行准确记录。由于不同严重程度疾病的HCC分组与风险调整系数不同，这要求在填报诊断信息时，除了明确主要诊断外，还要明确是否存在相关并发症及其严重程度。同时，要保证诊断和疾病编码的特异性，防止随意编码，以提升预测的准确程度。

· 作者声明本文无实际或潜在的利益冲突