MétaCan
Menu
Retour à la cohorte
Enregistrement W2165261941 · doi:10.1186/2047-2501-2-5

Risk adjustment and observation time: comparison between cross-sectional and 2-year panel data from the Medical Expenditure Panel Survey (MEPS)

2014· article· en· W2165261941 sur OpenAlexaff
Yi‐Sheng Chao, Chao-Jung Wu, Tai-Shen Chen

Notice bibliographique

RevueHealth Information Science and Systems · 2014
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGlobal Health Care Issues
Établissements canadiensUniversity of Alberta
Organismes subventionnairesAgency for Healthcare Research and Quality
Mots-clésMedical Expenditure Panel SurveyConsumption (sociology)PredictabilityPanel dataHealth careDemographyMedicineCross-sectional studyVariance (accounting)StatisticsEconometricsEconomicsMathematicsHealth insurance

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Risk adjustment models were used to estimate health care consumption after adjusting for individual characteristics or other factors. The results of this technique were not satisfying. One reason could be that the length of time to document consumption might be associated with the mean and variance of observed health care consumption. This study aims to use a simplified mathematical model and real-world data to explore the relationship of observation time (one or two years) and predictability. METHODS: This study used cross-sectional (one-year) and 2-year panel data sets of the Medical Expenditure Panel Survey (MEPS) from 1996 to 2008. Comparisons of the health care consumption (total health expenditure, emergency room (ER) and office-based visits) included ratios of means and standard errors (SEs). Risk adjustment models for one- and two-year data used generalized linear model. RESULTS: The ratios of mean health care consumption (two-year to one-year total expenditure, ER and office-based visits) seemed to be two in most age groups and the ratios of SEs varied around or above two. The R-squared of two-year models seemed to be slightly better than that of one-year models. CONCLUSIONS: We find health expenditure and ER or office-based visits observed in two consecutive years were about twice those observed in a single year for most age, similar to the ratios predicted in mathematical examples. The ratios of mean spending and visits varied across age groups. The other finding is that the predictability of two-year consumption seems better than that of one-year slightly. The reason is not clear and we will continue studying this phenomenon.

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)0,019
score de la tête « metaresearch » (Gemma)0,049
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 enseignants0,019
Score d'incertitude au seuil0,101

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,049
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,339
Tête enseignante GPT0,488
Écart entre enseignants0,150 · 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

Citations7
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth Information Science and SystemsMême sujetGlobal Health Care IssuesTravaux en français237 207