MétaCan
Menu
Retour à la cohorte
Enregistrement W2112849135 · doi:10.1377/hlthaff.2010.0204

Higher Fees Paid To US Physicians Drive Higher Spending For Physician Services Compared To Other Countries

2011· article· en· W2112849135 sur OpenAlexaboutno aff
Miriam Laugesen, Sherry Glied

Notice bibliographique

RevueHealth Affairs · 2011
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensnon disponible
Organismes subventionnairesCommonwealth FundRobert Wood Johnson FoundationU.S. Department of Health and Human Services
Mots-clésBusinessHealth spendingFamily medicineFinanceMedicineHealth careEconomicsHealth insuranceEconomic growth

Résumé

récupéré en direct d'OpenAlex

Higher health care prices in the United States are a key reason that the nation's health spending is so much higher than that of other countries. Our study compared physicians' fees paid by public and private payers for primary care office visits and hip replacements in Australia, Canada, France, Germany, the United Kingdom, and the United States. We also compared physicians' incomes net of practice expenses, differences in financing the cost of medical education, and the relative contribution of payments per physician and of physician supply in the countries' national spending on physician services. Public and private payers paid somewhat higher fees to US primary care physicians for office visits (27 percent more for public, 70 percent more for private) and much higher fees to orthopedic physicians for hip replacements (70 percent more for public, 120 percent more for private) than public and private payers paid these physicians' counterparts in other countries. US primary care and orthopedic physicians also earned higher incomes ($186,582 and $442,450, respectively) than their foreign counterparts. We conclude that the higher fees, rather than factors such as higher practice costs, volume of services, or tuition expenses, were the main drivers of higher US spending, particularly in orthopedics.

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 enseignants0,041
Score d'incertitude au seuil0,082

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
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,083
Tête enseignante GPT0,299
Écart entre enseignants0,216 · 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

Citations144
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth AffairsMême sujetHealthcare Policy and ManagementTravaux en français237 207