In jomuller/vvs: Analyse des fichiers VisualValoSej

library(dplyr)
library(magrittr)

Méthode

Le calcul consiste à estimer la part "brute" de chaque composant (taux, ghs, autres montants variables, autres montants fixes), déterminer la proportion de leur participation à l'évolution de la valorisation puis de répartir ceci en euros.

Les calculs sont les suivants :

• Effet brut d'un montant variable (GHS ou autre montant variable). $EBM = Taux_m \times Montant_{m} - Taux_m \times Montant_{m-1}$. On calcul ici l'effet du GHS sur l'hypothèse que le taux n'a pas changé.
• Effet brut d'un taux. $EBT = Taux_m \times Montant_m - Taux_{m-1} \times Montant_m$. On fait ici l'hypothèse que le montant devait être le bon tout de suite.

La base à expliquer est le montant total assurance maladie (variable mnt_tot_am).

La diffculté est d'expliquer la part variable. $evol_mnt_tot_variable = evol_mnt_tot_am - evol_mnt_constants$

On calcule la proportion de chacune des parts variables (taux, ghs et montants variables).

• Proportion effet GHS. $P_{ghs} = EBM_{ghs} / \sum{EBM}$
• Proportion effet TAUX. $P_{taux} = EBM_{taux} / \sum{EBM}$
• Proportion effet montants variables. $P_{var} = EBM_{var} / \sum{EBM}$

La valeur d'évolution de chacun sera la proportion sur la part variable.

• Effet GHS. $E_{ghs} = P_{ghs} * evol_mnt_tot_variable$
• Effet TAUX. $E_{taux} = P_{taux} *evol_mnt_tot_variable$
• Effet montants variables. $E_{var} = P_{var} * evol_mnt_tot_variable$
• Effet montants_fixes. $E_{cst} = evol_mnt_constants$

Ceci est vrai pour les séjours réels. Il faut en plus ajouter les apparition ou disparition, à savoir pour les envois qui sont les premiers ou les obs virtuelles créés pour les disparitions. Ceci sera dans Effet création/suppression (incluant les ej/eg).

db <- readRDS('../produced_data/21-vvs_2017_minimal_anonyme.rds')

Ajouter colonnes :

• Taux m-1
• mnt_br m-1
• mnt_var m-1
• mnt_cst m-1

Faire les calculs.

Remplacer tous les NA par des 0

na_to_0 <- function(col) {
  db[is.na(db[,col]),col] <<- 0
}

na_to_0('mnt_br')
na_to_0('mnt_variables')
na_to_0('mnt_constants')
na_to_0('mnt_tot_am')

Ajout des m-1

Ajout des valeurs à M-1

db %<>%
  arrange(ida, mois_envoi) %>%
  group_by(ida) %>%
  mutate(
    taux_prev = c(0, taux[seq_len(n()-1)]),
    mnt_br_prev =  c(0, mnt_br[seq_len(n()-1)]),
    mnt_variables_prev = c(0, mnt_variables[seq_len(n()-1)])
  ) %>%
  ungroup

Vérifier

db %>% 
    filter(ida %in% sample(x = unique(db$ida), size = 3)) %>%
    select(ida, mois_sortie, mois_envoi, taux, taux_prev, mnt_br, mnt_br_prev) %>%
    knitr::kable()

Ajout des mnt tot variables

db %<>%
  mutate(mnt_tot_variables = mnt_tot_am - mnt_constants)

calculer les evolution des montants

Calcul central !!!

db$mnt_tot_am[is.na(db$mnt_tot_am)] <- 0

db %<>%
  arrange(ida, mois_envoi) %>%
  group_by(ida) %>%
  mutate(
    evol_mnt_tot = mnt_tot_am - c(0, mnt_tot_am[seq_len(n()-1)]),
    evol_mnt_mo = mnt_mon - c(0, mnt_mon[seq_len(n()-1)]),
    evol_mnt_dmi = mnt_dmi - c(0, mnt_dmi[seq_len(n()-1)]),
    evol_mnt_tot_variables = mnt_tot_variables - c(0, mnt_tot_variables[seq_len(n()-1)]),
    evol_mnt_po = mnt_po - c(0, mnt_po[seq_len(n()-1)]),
    evol_mnt_fj = (mnt_18 + mnt_fj2) - c(0, mnt_18[seq_len(n()-1)] + mnt_fj2[seq_len(n()-1)]),
    evol_ghsminam = ghsminam - c(0, ghsminam[seq_len(n()-1)]),
    evol_mnt_med_atu = mnt_med_atu - c(0, mnt_med_atu[seq_len(n()-1)]),
    evol_mnt_scd = mnt_scd - c(0, mnt_scd[seq_len(n()-1)]),
    evol_mnt_constants = mnt_constants - c(0, mnt_constants[seq_len(n()-1)])
    ) %>%
  ungroup

Calcul des effets bruts

db %<>%
  mutate(
    # Effet brut du GHS : effet à taux constant
    eb_ghs = taux * mnt_br - taux * mnt_br_prev,
    eb_mnt_variables = taux * mnt_variables - taux * mnt_variables_prev,
    eb_taux = taux * (mnt_br + mnt_variables) - taux_prev * (mnt_br + mnt_variables)
  )

# Remplacer les NA par des 0
na_to_0('eb_ghs')
na_to_0('eb_mnt_variables')
na_to_0('eb_taux')

Calcul des effets

ec = effet calculé

db %<>%
  mutate(
    # Somme des effets bruts
    eb_sum = eb_ghs + eb_mnt_variables + eb_taux,
    # Effets calculés de chaque
    ec_ghs = eb_ghs / eb_sum * evol_mnt_tot_variables,
    ec_mnt_variables = eb_mnt_variables / eb_sum * evol_mnt_tot_variables,
    ec_taux = eb_taux / eb_sum * evol_mnt_tot_variables
  )

na_to_0('eb_sum')
na_to_0('ec_ghs')
na_to_0('ec_mnt_variables')
na_to_0('ec_taux')

db$ec_autre <- rowSums(select(db, ec_mnt_variables, evol_mnt_constants), na.rm = TRUE)

Il y a des patients qui perdent remboursement assurance maladie.

Système ATT hosp : patients en attente de droit.

perte_droit <-db %>%
  filter(is.na(taux), taux_prev > 0, ! obs_virtuelle)

table(perte_droit$taux_prev)
table(perte_droit$mois_sortie)
summary(perte_droit$mnt_tot_am)

Peut être des cas où la valo passe en AME ou ATU

Verif

En théorie les sommes des effets calculés (ec) devraient être égales à la valeur de l'évolution du montant totaux.

db$diffec <- rowSums(select(db, ec_ghs, ec_autre, ec_taux)) - db$evol_mnt_tot
summary(db$diffec)

sum(abs(db$diffec) > 1 & !db$obs_virtuelle)
db_diff <- filter(db, abs(diffec) > 1 & !db$obs_virtuelle & !db$premiere_valo)


table(db_diff$valo)

Cas qui posent problèmes

• Les IVG (GHS AMF, IMD) n'ont pas de taux, tout dans le supplément
• Les patients qui perdent leurs droits : dont ont encore des lignes mais plus de montantd -> a prendre en compte comme perte de droit, dont sera réglé plus tard dans le processus.

summary(db)

Sauvegarde

saveRDS(db, file = "../produced_data/30-calcul_evol.rds")

jomuller/vvs documentation built on May 21, 2019, 2:05 p.m.