Payments for care at private for-profit and private not-for-profit hospitals: a systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: It has been shown that patients cared for at private for-profit hospitals have higher risk-adjusted mortality rates than those cared for at private not-for-profit hospitals. Uncertainty remains, however, about the economic implications of these forms of health care delivery. Since some policy-makers might still consider for-profit health care if expenditure savings were sufficiently large, we undertook a systematic review and meta-analysis to compare payments for care at private for-profit and private not-for-profit hospitals. METHODS: We used 6 search strategies to identify published and unpublished observational studies that directly compared the payments for care at private for-profit and private not-for-profit hospitals. We masked the study results before teams of 2 reviewers independently evaluated the eligibility of all studies. We confirmed data or obtained additional data from all but 1 author. For each study, we calculated the payments for care at private for-profit hospitals relative to private not-for-profit hospitals and pooled the results using a random effects model. RESULTS: Eight observational studies, involving more than 350 000 patients altogether and a median of 324 hospitals each, fulfilled our eligibility criteria. In 5 of 6 studies showing higher payments for care at private for-profit hospitals, the difference was statistically significant; in 1 of 2 studies showing higher payments for care at private not-for-profit hospitals, the difference was statistically significant. The pooled estimate demonstrated that private for-profit hospitals were associated with higher payments for care (relative payments for care 1.19, 95% confidence interval 1.07-1.33, p = 0.001). INTERPRETATION: Private for-profit hospitals result in higher payments for care than private not-for-profit hospitals. Evidence strongly supports a policy of not-for-profit health care delivery at the hospital level.
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 | 0,021 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,020 | 0,043 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».