Projections des dépenses de soins de ville à l horizon 2030 en France, une micro-simulation dynamique

Transcription

1 Projections des dépenses de soins de ville à l horizon 2030 en France, une micro-simulation dynamique C. Geay, G. de Lagasnerie, M. Larguem 23 mai 2013

2 Plan Faits stylisés Présentation générale du modèle 1 Faits stylisés Présentation générale du modèle 2 3 4

3 Faits stylisés Faits stylisés Présentation générale du modèle Corrélation fortement positive entre âge et dépenses de santé Augmentation de la morbidité individuelle aux âges élevés (Dormont (2009)). Fort surcroît de dépenses à l approche de la mort (Yang et al. (2003)). Évolutions observées sur le passé récent Rôle croissant du vieillissement dans l augmentation des dépenses de santé (Dormont et al. (2006 et 2012)). Gains d espérance de vie sans incapacité inférieurs aux gains d espérance de vie totaux (Cambois et al. (2011)).

4 Un modèle à deux modules Faits stylisés Présentation générale du modèle Un module "rétrospectif" Comment l état de santé des individus a-t-il évolué en fonction de leurs caractéristiques? Estimation de probabilités de transition d état de santé. Quels facteurs ont déterminé la décision d avoir ou non recours à des soins, et le cas échéant, la dépense qui leur a été affectée? Estimation des déterminants de la demande de soins. Un module de "projection" Comment la population actuelle va-t-elle évoluer, notamment au regard des probabilités de transition d état de santé? Simulation du vieillissement. Quelle évolution de la dépense totale peut-on envisager? Calcul des dépenses de la population projetée.

5 Plan Présentation des données Spécificités des données 1 2 Présentation des données Spécificités des données 3 4

6 Description des données Présentation des données Spécificités des données Appariement de deux bases de données Echantillon Permanent des Assurés Sociaux (EPAS) de la CNAMTS : utilisé comme base de sondage, informations sur la dépense de soins de ville. Enquête Santé et Protection Sociale (ESPS) de l IRDES : réalisée tous les deux ans (vagues utilisées ici : 2002, 2004, 2006, 2008), pour tous les membres du ménage des individus "tirés" dans l EPAS, nombreuses informations socio-démographiques sur les personnes enquêtées, informations sur l état de santé et les maladies affectant les individus.

7 Spécificités des données Présentation des données Spécificités des données Dimension de panel des données Quatre vagues d enquêtes utilisées (2002, 2004, 2006, 2008) : les individus enquêtés sont suivis tous les 4 ans, taux d attrition élevé mais possibilité d en identifier partiellement la cause (décès ou autre raison). Taux d attrition Taux de décès parmi l attrition ,6% 3,7% ,7% 3,4%

8 Plan Détermination de l état de santé Évolution de l état de santé au cours du temps Estimation des déterminants de la demande de soins Détermination de l état de santé Évolution de l état de santé au cours du temps Estimation des déterminants de la demande de soins 4

9 Méthodologie - 1 Détermination de l état de santé Évolution de l état de santé au cours du temps Estimation des déterminants de la demande de soins Construction d une variable "objective" d état de santé - 1 Variables utilisées : Note d état de santé déclarée par les individus (de 0 à 10, réponse à la question "Pouvez-vous noter, entre 0 et 10, votre état de santé?"). Liste des maladies (codées en nomenclature internationale CIM) affectant chacun des individus (taux d appariement d environ 65% avec l échantillon ESPS). Méthodologie : Affectation à chaque maladie d un indicateur de "risque vital" minimum et d un "degré d invalidité" minimum (selon la méthode de Com-Ruelle et al. (1997)) et agrégation de ces deux indicateurs pour obtenir un indice unique de "gravité" de chaque maladie, variant de 0 à 9 (selon la méthode de Perronnin et al. (2006)).

10 Méthodologie - 2 Détermination de l état de santé Évolution de l état de santé au cours du temps Estimation des déterminants de la demande de soins Construction d une variable "objective" d état de santé - 2 Méthodologie (suite) : Modèle estimé, par logit ordonné (selon la méthode de Perronnin et al. (2006)) : n i = Σ k β k X ik + Σ 9 j=0γ jm ij + Σ 4 t=1δ ta it + u i avec : n i, la variable latente non observée associée à la note de santé n i déclarée par l individu i, X ik, des caractéristiques individuelles de l individu i, m ij, le nombre de maladies de gravité j (j [0; 9]) affectant l individu i, a it, l indicatrice de l année où l individu i est interrogé, u i, le résidu.

11 Méthodologie - 3 Détermination de l état de santé Évolution de l état de santé au cours du temps Estimation des déterminants de la demande de soins Construction d une variable "objective" d état de santé - 3 Méthodologie (suite 2) : construction d un "score objectif" d état de santé : ŝ i = Σ 9 j=0 ˆγ jm ij. après normalisation (obtention d un score entre 0 et 100, selon la méthode de Perronnin et al.), séparation des individus en deux catégories : bonne santé (s i s = 87) et mauvaise santé (s i < s), selon un seuil conventionnel (in fine 63% de la population est considérée comme étant en bonne santé).

12 Détermination de l état de santé Évolution de l état de santé au cours du temps Estimation des déterminants de la demande de soins Résultats : part de la population de 25 ans et plus en bonne santé en fonction de l âge

13 Méthodologie Détermination de l état de santé Évolution de l état de santé au cours du temps Estimation des déterminants de la demande de soins Calcul de probabilités de transition d état de santé entre deux dates Principe : à chaque date t, trois états possibles par individu : bonne santé (1), mauvaise santé (2), et mort (3). par sexe et classes d âge (de 5 ans), calcul de matrices de probabilités de transition "observées" à partir du panel non-cylindré ( ) p11 p 12 p 13 ESPS : p 21 p 22 p 23 p 31 p 32 p 33 avec, rémission possible : p 21 0, état de mort absorbant : p 31 = p 32 = 0, et p 33 = 1, aucune autre possibilité de transition que celles envisagées ici : p 11 + p 12 + p 13 = 1 et p 21 + p 22 + p 23 = 1.

14 Détermination de l état de santé Évolution de l état de santé au cours du temps Estimation des déterminants de la demande de soins Résultats : probabilités de passer en bonne ou mauvaise santé, pour les hommes en bonne santé

15 Méthodologie - 1 Détermination de l état de santé Évolution de l état de santé au cours du temps Estimation des déterminants de la demande de soins Spécificités de la variable considérée (dépenses de santé) Forme particulière de la distribution des dépenses de santé : beaucoup de valeurs nulles, nombre non négligeable d individus ayant des dépenses élevées (queues de distribution épaisses).

16 Méthodologie - 2 Détermination de l état de santé Évolution de l état de santé au cours du temps Estimation des déterminants de la demande de soins Modèle en deux parties vs. modèle de sélection d échantillon Plusieurs modèles possibles pour l estimation des niveaux de dépenses : Modèle en deux parties : décision de consommer et niveau de dépense en cas de consommation sont totalement indépendantes. Modèle Tobit : décision de consommer et niveau de dépense en cas de consommation résultent d une unique décision. Modèle à sélection d échantillon, ou Tobit généralisé : décision de consommer et niveau de dépense en cas de consommation sont liées sans être forcément expliquées par les mêmes variables. Méthode retenue ici : Tobit généralisé (cf. Jusot et al. (2012) pour les déterminants de la demande de complémentaire santé) estimé sur données de panel (modèle à effets aléatoires avec correction de Mundlak).

17 Détermination de l état de santé Évolution de l état de santé au cours du temps Estimation des déterminants de la demande de soins Résultats : estimation des déterminants de la consommation de soins Impact des variables significatives à 10% au moins Variable et modalité Sens de l effet Probabilité de consommer Bonne santé (vs. mauvaise santé) Femme (vs. homme) + Indépendant (vs. salarié du public) + Niveau de dépenses, le cas échéant Âge 40 ans (vs. âge 29 ans) + Bonne santé (vs. mauvaise santé) Femme (vs. homme) + Inactif (vs. retraité) Revenu +

18 Plan utilisées Méthode Résultats utilisées Méthode Résultats

19 utilisées utilisées Méthode Résultats Echantillon utilisé Base ESPS 2008, représentative de la population française selon l âge, le sexe, la taille du ménage et le régime d affiliation à la sécurité sociale (calage sur marges), limitée aux individus : de plus de 25 ans (à cause de l absence de module démographique de simulation de naissances pour les projections), pour lesquels les informations sur l état de santé sont présentes (impossibilité de simuler le vieillissement sinon).

20 utilisées Méthode Résultats Vieillissement de la population et détermination de l état de santé futur des individus - 1 Vieillissement séquentiel de la population de départ (ESPS-EPAS 2008) par pas de 4 ans Probabilités "observées" sur l enquête ESPS ajustées pour respecter les taux de mortalité globaux par tranche d âge et sexe de l INSEE, sous les hypothèses suivantes : maintien de la surmortalité liée à la mauvaise santé : p 13 p 23, maintien des rapports de risque, pour les deux états de santé de départ : p i1 p i2 avec i {1; 2}. Tirage d un aléa individuel (selon une loi uniforme), permettant de déterminer l état de santé futur de l individu. Obtention d une population vieillie de 2008 à 2032, par pas de 4 ans (25 réplications pour atténuer le caractère aléatoire de la méthode).

21 utilisées Méthode Résultats Vieillissement de la population et détermination de l état de santé futur des individus - 2 Prise en compte de variantes d état de santé par rapport à ce scénario tendanciel Hypothèse de vieillissement en bonne santé (cf. Fries (1980)) : les probabilités de transition vers la mauvaise santé sont décalées d une classe d âge vers le "bas" à partir de la distribution par âge initiale. p a,s t+1,i2 = pa 1,s t,i2. Hypothèse de vieillissement en mauvaise santé (cf. Gruenberg (1977)) : les probabilités de transition vers la mauvaise santé sont décalées d une classe d âge vers le "haut". Hypothèse de vieillissement tendanciel (cf. Manton (1982)) : les probabilités de transition vers la mauvaise santé sont les mêmes que celles estimées précédemment.

22 utilisées Méthode Résultats Part des individus de 60 ans et plus dans la population de 25 ans et plus

23 utilisées Méthode Résultats Dépenses de soins de ville des individus de 25 ans et plus (en part du PIB)

24 Limites du modèle Modèle "fermé" : pas de simulation de naissances ni de migrations. Modélisation des soins de ville uniquement, pas des dépenses hospitalières (non individualisables dans les données). Pas de prise en compte du surcoût lié à la dernière année de vie. Pas de prise en compte du progrès technique.