Benchmarking van zorgaanbieders o.b.v. declaratiegegevens

Nederlandse Zorgautoriteit (NZa)

Benchmarking van zorgaanbieders op basis van declaratiegegevens

Laatst gewijzigd op 10 december 2025 om 12:41 | Publicatiestandaard 1.0

• Publicatiecategorie: Overige algoritmes
• Impacttoetsen: Privacy Quickscan
• Status: In gebruik

Algemene informatie

Thema

Zorg en gezondheid

Begindatum

2023-01

Contactgegevens

https://www.nza.nl/contact

Verantwoord gebruik

Doel en impact

Doel: Het vergelijken van declaratiegedrag van zorgaanbieders ter ondersteuning van toezichtsonderzoek.

Impact: Bij toezichtsonderzoeken naar signalen en bevindingen over zorgaanbieders gebruiken we analyses met declaratiedata om het onderzoek te verrijken. Een van de manieren is het vergelijken van een zorgaanbieder met andere (vergelijkbare) zorgaanbieders in de zorgmarkt door middel van benchmarking. De mate van afwijking van andere zorgaanbieders uit zo een benchmark kan een reden zijn om uitgebreider onderzoek te starten, maar is niet de enige beslisfactor daartoe

Afwegingen

"Het is op basis van de declaratiegegevens in de meeste gevallen niet mogelijk om uitsluitsel te geven van een overtreding door een zorgaanbieder. Wel kunnen we duiding geven van of declaratiegedrag erg afwijkt van andere zorgaanbieders. Benchmarking passen we dus ook alleen toe om signalen (intern dan wel extern) te bekrachtigen en niet als bron om signalen te genereren.

Gebruik van persoonsgegevens (leeftijd, geslacht) in het corrigeren van benchmarks (zie Technische werking) maakt deze vergelijking van zorgaanbieders accurater, zolang er goed wordt nagedacht over voor welke variabelen er gecorrigeerd wordt. Dit is aan de analist en wordt niet door het algoritme bepaald."

Menselijke tussenkomst

Waarop de benchmarking wordt toegepast (welke zorgaanbieders, indicator, correctievariabelen) wordt altijd bepaald door de analist en toezichthouder. De interpretatie van de benchmark wordt vervolgens ook altijd gedaan door de betreffende analist en toezichthouder.

Risicobeheer

De risico's wat betreft techniek, wetgeving, kosten, ethiek, uitlegbaarheid en andere thema's zijn zeer beperkt. Het algoritme is niet kritiek, er volgen geen rechtstreekse besluiten uit en de techniek is inzichtelijk en uitlegbaar.

Toelichting op impacttoetsen

Op de processen waarin dit algoritme een rol speelt is een rechtmatigheidsbeoordeling gedaan volgens onze standaard procedure. De impact op privacy van dit algoritme is verwaarloosbaar.

Impacttoetsen

Privacy Quickscan

Werking

Gegevens

De methode is niet gebonden aan specifieke gegevens, maar wordt bij de NZa ingezet op declaratiedata ontvangen van Vektis. Veelal, maar niet uitsluitend, worden hierbij gebruikt: AGB-code zorgaanbieder/zorgverlener, UZOVI, prestatiecode, aantal uitgevoerde prestaties, gedeclareerd/toegekend bedrag en patientgegevens (pseudo BSN voor indicatorberekeningen die eerst per patient bepaald moeten worden en eventueel leeftijd/geslacht voor gecorrigeerde benchmarks).

Technische werking

Benchmarking wordt toegepast gegeven een voorbedachte indicator en te onderzoeken zorgaanbieder en groep van zorgaanbieders waarmee deze vergeleken wordt. Bijvoorbeeld: de gemiddelde omzet per patient per jaar (indicator) berekend per zorgaanbieder, waarbij de vraag is hoe een specifieke zorgaanbieder (de te onderzoeken zorgaanbieder) zich verhoudt tot de rest. De zorgaanbieders worden met elkaar vergeleken in een density-plot (een weergave die de verdeling van de berekende waarden toont) met een percentielscore voor de gegeven entiteit, welke geïnterpreteerd worden door de analist & de toezichthouder.

Binnen deze methode is het ook mogelijk om de indicatorwaarden te corrigeren voor patientkenmerken, zoals leeftijd en geslacht. Dit kan helpen om te corrigeren voor verschillen in patientgroepen binnen zorgaanbieders. Een zorgpraktijk met veelal oudere patienten zal (afhankelijk van de indicator) namelijk niet volledig vergelijkbaar zijn met een zorgpraktijk waar veelal jonge mensen komen. Deze correctie wordt toegepast door middel van lineaire regressie. Door de indicatorwaarde te voorspellen op basis van categorische variabelen (categorisch om geen aannames over lineariteit te hoeven maken), is het mogelijk om het niet door patientkenmerken te verklaren effect te onderscheiden. Deze nieuwe waarde is vervolgens te gebruiken in de density-plot zoals hierboven beschreven. Dit gaat met de volgende stappen:

1. Bereken indicatorwaarden per patient.

2. Fit een lineair model op de indicatorwaarden, met de categorische correctievariabelen als voorspellers.

3. Neem de waarden van de residuals als nieuwe waarden.

4. Maak de density-plot met deze nieuwe waarden.