MétaCan
Menu
Retour à la cohorte
Enregistrement W1967887677 · doi:10.1377/hlthaff.2010.0893

US Physician Practices Versus Canadians: Spending Nearly Four Times As Much Money Interacting With Payers

2011· article· en· W1967887677 sur OpenAlexaffabout
Dante Morra, Sean Nicholson, Wendy Levinson, David N Gans, Terry Hammons, Lawrence P. Casalino

Notice bibliographique

RevueHealth Affairs · 2011
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensCégep de Lévis
Organismes subventionnairesnon disponible
Mots-clésFamily medicineAgency (philosophy)Medical prescriptionMedicineHealth careHealth insuranceBusinessNursingPolitical science

Résumé

récupéré en direct d'OpenAlex

Physician practices, especially the small practices with just one or two physicians that are common in the United States, incur substantial costs in time and labor interacting with multiple insurance plans about claims, coverage, and billing for patient care and prescription drugs. We surveyed physicians and administrators in the province of Ontario, Canada, about time spent interacting with payers and compared the results with a national companion survey in the United States. We estimated physician practices in Ontario spent $22,205 per physician per year interacting with Canada's single-payer agency--just 27 percent of the $82,975 per physician per year spent in the United States. US nursing staff, including medical assistants, spent 20.6 hours per physician per week interacting with health plans--nearly ten times that of their Ontario counterparts. If US physicians had administrative costs similar to those of Ontario physicians, the total savings would be approximately $27.6 billion per year. The results support the opinion shared by many US health care leaders interviewed for this study that interactions between physician practices and health plans could be performed much more efficiently.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,097

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0020,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,140
Tête enseignante GPT0,315
Écart entre enseignants0,175 · 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 source (Gemma direct ou Codex distillé), 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

Citations112
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHealth AffairsMême sujetHealthcare Policy and ManagementTravaux en français237 207