MétaCan
Menu
Retour à la cohorte
Enregistrement W1828957582 · doi:10.1002/hec.2979

THE IMPACT OF TECHNOLOGICAL INTENSITY OF SERVICE PROVISION ON PHYSICIAN EXPENDITURES: AN EXPLORATORY INVESTIGATION

2013· article· en· W1828957582 sur OpenAlexaffabout
Mehrdad Roham, Anait R. Gabrielyan, Norm Archer, Michel Grignon, Byron G. Spencer

Notice bibliographique

RevueHealth Economics · 2013
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGlobal Health Care Issues
Établissements canadiensMcMaster University Medical CentreMcMaster UniversityStatistics Canada
Organismes subventionnairesnon disponible
Mots-clésPer capitaService (business)Medical diagnosisMedicineHealth careBusinessFamily medicineEnvironmental healthEconomic growthEconomicsMarketing

Résumé

récupéré en direct d'OpenAlex

Advances in technology and subsequent changes in clinical practice can lead to increases in healthcare costs. Our objective is to assess the impact that changes in the technological intensity of physician-provided health services have had on the age pattern of both the volume of services provided and the average expenditures associated with them. We based our analysis on age-sex-specific patient-level administrative records of diagnoses and treatments. These records include virtually all physician services provided in the province of Ontario, Canada in a 10-year span ending in 2004 and their associated costs. An algorithm is developed to classify services and their costs into three levels of technological intensity. We find that while the overall age-standardized level and cost of services per capita have decreased, the volume and cost of high technologically intensive treatments have increased, especially among older patients.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,579
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,092
Tête enseignante GPT0,423
Écart entre enseignants0,331 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHealth EconomicsMême sujetGlobal Health Care IssuesTravaux en français237 207