CASE STUDIES THAT ILLUSTRATE DISINVESTMENT AND RESOURCE ALLOCATION DECISION-MAKING PROCESSES IN HEALTH CARE: A SYSTEMATIC REVIEW
Notice bibliographique
Résumé
OBJECTIVE: Technological change accounts for approximately 25 percent of health expenditure growth. To date, limited research has been published on case studies of disinvestment and resource allocation decision making in clinical practice. Our research objective is to systematically review and catalogue the application of frameworks and tools for disinvestment and resource allocation decision making in health care. METHODS: An electronic literature search was executed for studies on disinvestment, obsolete and ineffective technologies, and priority healthcare setting, published from January 1990 until January 2012. Databases searched were MEDLINE, MEDLINE In-Process and Other Non-Indexed Citations, Embase, The Cochrane Library, PubMed, and HEED. RESULTS: Fourteen case studies on the application of frameworks and tools for disinvestment and resource allocation decisions were included. Most studies described the application of program budgeting and marginal analysis (PBMA), and two reports used health technology assessment (HTA) methods for coverage decisions in a national fee-for-service structure. Numerous healthcare technologies and services were covered across the studies. We describe the multiple criteria considered for decision making, and the strengths and limitations of these frameworks and tools are highlighted. CONCLUSIONS: Disinvestment and resource allocation decisions require evidence to ensure their transparency and objectivity. PBMA was used to assess resource allocation of health services and technologies in a fixed budget jurisdiction, while HTA reviews focused on specific technologies, principally in fee-for-service structures. Future research can review the data requirements and explore opportunities to increase the quantity of available evidence for disinvestment and resource allocation decisions.
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 | 0,014 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».