Klaim Asuransi Rumah Sakit (Studi Kasus: [RS. XYZ])

Abstract

Sistem klaim INA-CBG (Indonesian Case-Based Groups) yang berbasis tarif paket menempatkan rumah sakit pada risiko defisit ketika biaya pelayanan aktual melampaui tarif yang ditetapkan. Pada data rawat inap tahun 2023–2024 di suatu rumah sakit yang menjadi konteks penelitian, sebanyak 6.018 dari 9.789 episode perawatan (61,48%) tercatat sebagai kasus defisit dengan total kerugian sebesar Rp 15,56 miliar. Pendekatan analitik konvensional yang berfokus pada rata-rata biaya populasi belum mampu mengungkap karakteristik kelompok pasien dan pola tindakan medis yang menjadi pemicu defisit, sehingga rekomendasi penanganan klinisnya cenderung bersifat umum dan tidak terarah.

Kebutuhan akan framework analitik yang dapat memetakan konsentrasi defisit pada sub- populasi spesifik menjadi mendesak agar strategi pengendalian keuangan rumah sakit lebih

tajam dan actionable. Penelitian ini bertujuan untuk mengembangkan framework analitik berbasis kerugian klaim (Loss-Oriented Analytical Framework, LOAF) yang mengidentifikasi karakteristik kelompok pasien dan pola tindakan medis yang berkaitan dengan defisit klaim INA-CBG.

Framework LOAF ini menjalankan klastering K-Means secara terpisah per-kelompok INA- CBG (per-CBG stratification), sehingga setiap perbedaan antar klaster dapat diatribusikan

secara sah dan murni kepada perbedaan pola tindakan medis, bukan kepada perbedaan diagnosis atau tarif paket. Penelitian menggunakan pendekatan analitik retrospektif pada data klaim dengan total 9.789 episode rawat inap (Januari 2023 – Desember 2024). Sebanyak 6.018 kasus rugi distratifikasi menjadi 329 kelompok INA-CBG, lalu selanjutnya dipilih berdasarkan kriteria sehingga menjadi 52 kelompok layak klastering (n ≥ 30 kasus rugi), dan dipilih top-10 kelompok CBG prioritas dengan total defisit terbesar. Matriks fitur dibangun dari hasil count encoding tindakan medis (1.849 fitur) yang ditransformasi dengan menggunakan log-transform dan dinormalisasi dengan RobustScaler, kemudian diaplikasikan reduksi dimensi menggunakan Principal Component Analysis (PCA) dengan dua komponen utama. Pemilihan komponen PCA divalidasi secara empiris melalui enam konfigurasi PCA (50%–95% varians vs n_components = 2). Juga dengan pemilihan algoritma, divalidasi melalui benchmark terhadap algoritma K-Medoids, Gaussian Mixture Model dan Agglomerative Hierarchical Clustering. Klastering k-means dijalankan per-CBG dengan rentang K adaptif (2 sampai 5), dengan jumlah klaster optimal ditentukan melalui rank aggregation terhadap tiga metrik validasi internal Silhouette Score, Davies-Bouldin Index dan Calinski-Harabasz Index. Validitas hasil diuji melalui lima lapis triangulasi, justifikasi pemilihan PCA, benchmark algoritma, uji robustness antar model (Model A: variabel treatment + LOS + ICU vs Model B: treatment-only variable), uji stabilitas bootstrap 50 iterasi, dan uji Mann-Whitney U dengan koreksi FDR Benjamini-Hochberg untuk perbedaan klaster. Analisis pasca-klaster mencakup analisis profil finansial-klinis, analisis komparatif rugi-vs-untung dalam CBG identik dengan koreksi case-mix, serta identifikasi anomali statistik dan semantik-klinis pada lima CBG kandidat efisiensi dengan estimasi excess cost terbesar. Framework LOAF berhasil memecah sepuluh CBG prioritas menjadi 35 klaster, dengan struktur klaster yang terbukti stabil melalui kelima lapis triangulasi (kesesuaian Model A vs B sebesar 92,0%–100%; rata-rata ARI bootstrap di atas 0,80 pada sembilan dari sepuluh CBG; LOS dan SELISIH sebagai variabel paling diskriminatif dengan 78,33% dan 59,00% pasangan klaster signifikan). Pada setiap CBG ditemukan klaster fokus dengan rata-rata defisit per kasus 2,76 sampai 4,52 kali lebih dalam dibandingkan klaster paling efisien (defisit rendah), membuktikan bahwa defisit tidak terdistribusi merata melainkan terkonsentrasi pada sub-populasi tertentu. Hasil analisis menyimpulkan bahwa defisit terbentuk dari dua mekanisme yang berbeda secara fundamental, (1) kompleksitas klinis terminal pada CBG kasus berat dengan ICU di atas 80% dan mortalitas 12%–61% (2) inefisiensi operasional pada CBG kasus ringan dengan tingkat kesembuhan 100%. Analisis

komparatif pada top-5 CBG kandidat efisiensi (K-4-17-I, A-4-13-I, I-4-20-I, M-1-80-I, O- 6-10-I) menghasilkan estimasi excess cost yang konservatif dengan total Rp 231,15 juta

(adjusted) dari 330 kasus rugi pada lima klaster fokus, yang dibentuk oleh perpanjangan LOS (rasio 1,32–2,08 kali), eskalasi tindakan keperawatan rutin, peningkatan pemeriksaan penunjang lintas-CBG, dan kemunculan item dengan unit-cost tinggi yang asimetris. Identifikasi anomali statistik menemukan 388 pola deficit-only pada lintas top-10 CBG, sedangkan analisis anomali semantik-klinis mengungkap kandidat audit yang lebih kuat seperti kemunculan treatment Vulva Hygiene di CBG prosedur anggota tubuh atas yang tidak terkait secara anatomis dan visite dokter spesialis ICU pada CBG dengan proporsi ICU 0%. Framework LOAF yang penelitian ini usulkan terbukti dapat menerjemahkan data klaim retrospektif menjadi instrumen pengambilan keputusan prospektif yang spesifik, terkuantifikasi, dan actionable. Kontribusi utama penelitian meliputi (1) integrasi metodologis stratifikasi per-CBG, klastering K-Means per-kelompok, dan validasi berlapis dalam satu alur operasional. (2) pembedaan konseptual antara dua mekanisme pembentuk defisit yang berimplikasi pada strategi penanganan klinis berbeda. (3) penerapan framework sebagai early warning system defisit klaim. Implementasi rekomendasi berbasis temuan, mencakup standardisasi clinical pathway untuk tindakan keperawatan rutin berulang dan penyusunan standar pemilihan alat dengan value-based, berpotensi meningkatkan efisiensi operasional rumah sakit tanpa mengurangi mutu pelayanan klinis. Hasil akhir dari penelitian ini diharapkan dapat memberikan wawasan strategis bagi manajemen rumah sakit dalam mengevaluasi kasus-kasus berisiko terhadap kerugian, mengoptimalkan proses perawatan, dan meningkatkan efisiensi operasional untuk mencapai profitabilitas yang lebih baik.