A Tool to Determine Financial Impact of Adverse Events in Health Care
Notice bibliographique
Résumé
OBJECTIVES: Hospital leaders lack tools to determine the financial impact of poor patient outcomes and adverse events. To provide health-care leaders with decision support for investments to improve care, we created a tool, the Healthcare Quality Calculator (HQCal), which uses institution-specific financial data to calculate impact of poor patient outcomes or quality improvement on present and future margin. METHODS: Excel and Web-based versions of the HQCal were based on a cohort study framework and created with modular components including major drivers of cost and reimbursement. RESULTS: The Healthcare Quality Calculator (HQCal) compares payment, cost, and profit/loss for patients with and without poor outcomes or quality issues. Cost and payment information for groups with and without quality issues are used by the HQCal to calculate profit or loss. Importantly, institution-specific payment and cost data are used to calculate financial impact and attributable cost associated with poor patient outcomes, adverse events, or quality issues. Because future cost and reimbursement changes can be forecast, the HQCal incorporates a forward-looking component. The flexibility of the HQCal was demonstrated using surgical site infections after abdominal surgery and postoperative surgical airway complications. CONCLUSIONS: The Healthcare Quality Calculator determines financial impact of poor patient outcomes and the benefit of initiatives to improve quality. The calculator can identify quality issues that would provide the largest financial benefit if improved; however, it cannot identify specific interventions. The calculator provides a tool to improve transparency regarding both short- and long-term financial consequences of funding, or failing to fund, initiatives to close gaps in quality or improve patient outcomes.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».