The Residential History File: Studying Nursing Home Residents' Long‐Term Care Histories<sup>*</sup>
Notice bibliographique
Résumé
OBJECTIVE: To construct a data tool, the Residential History File (RHF), that summarizes information from Medicare claims and nursing home (NH) Minimum Data Set (MDS) assessments to track people through health care locations, including non-Medicare-paid NH stays. DATA SOURCES: Online Survey of Certification and Reporting (OSCAR) data for 202 free-standing NHs, Medicare Denominator, claims (parts A and B), and MDS assessments for 60,984 people who were present in one of these NHs in 2006. METHODS: The algorithm creating the RHF is outlined and the RHF for the study data are used to describe place of death. The identification of residents in NHs is compared with the reports in OSCAR and part B claims. PRINCIPAL FINDINGS: The RHF correctly identified 84.8 percent of part B claims with place-of-service in NH, and it identified 18.3 less residents on average than reported in the OSCAR on the day of the survey. The RHF indicated that 17.5 percent non-Medicare NH decedents were transferred to the hospital to die versus 45.6 percent skilled nursing facility decedents. CONCLUSIONS: The population-based design of the RHF makes it possible to conduct policy-relevant research to examine the variation in the rate and type of health care transitions across the United States.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».