Capitation and enhanced fee-for-service models for primary care reform: a population-based evaluation
Notice bibliographique
Résumé
BACKGROUND: Primary care reform in Ontario, Canada, included the initiation of a blended capitation model in 2001-2002 and an enhanced fee-for-service model in 2003. Both models involve patient rostering, incentives for preventive care and requirements for after-hours care. We evaluated practice characteristics and patterns of care under both models. METHODS: Using administrative data, we identified physicians belonging to either the capitation or the enhanced fee-for-service group throughout the period from Sept. 1, 2005, to Aug. 31, 2006, and their enrolled patients. Practices were stratified by location (urban v. rural). We compared the groups in terms of practice characteristics and patterns of care, including comprehensiveness of care, continuity of care, after-hours care, visits to the emergency department and uptake of new patients. RESULTS: Patients in the capitation and enhanced fee-for-service practices had similar demographic characteristics. Patients in capitation practices had lower morbidity and comorbidity indices. Comprehensiveness and continuity of care were similar between the 2 groups. Compared with patients in enhanced fee-for-service practices, those in capitation practices had less after-hours care (adjusted rate ratio [RR] 0.68, 95% confidence interval [CI] 0.61-0.75) and more visits to emergency departments (adjusted RR 1.20, 95% CI 1.15-1.25). Overall, physicians in the capitation group enrolled fewer new patients than did physicians in the enhanced fee-for-service group (37.0 v. 52.0 per physician); the same was true of new graduates (60.3 v. 72.1 per physician). INTERPRETATION: Physicians enrolled in the capitation model had different practice characteristics than those in the enhanced fee-for-service model. These characteristics appeared to be pre-existing and not due to enrolment in a new model. Although the capitation model provides an alternative to fee-for-service practice, its characteristics should be the focus of future policy development and research.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,048 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».