Measuring the Appropriate Outcomes for Better Decision-Making: A Framework to Guide the Analysis of Health Policy
Notice bibliographique
Résumé
Many existing economic evaluations of health policy recognize multidimensional outcomes and the importance of equally distributing the benefits, but do not to incorporate all relevant outcomes into a single comprehensive metric for cost-benefit analysis. The Organization for Economic Co-operation and Development’s (OECD’s) inclusive growth framework offers a novel approach for improved evaluation of policies which can address these concerns by aggregating societal outcomes in terms of income, life expectancy, unemployment rates and inequality into a single measure of living standards. We discuss the inclusive growth framework in the context of health policy and how it can be utilized by business leaders and policymakers to make superior policy decisions. Using an inclusive growth index of living standards developed by the OECD, we decompose growth in living standards (as defined by the OECD) due to increased life expectancy in Canada between 2000 and 2011 by cause of death and estimate the equivalent value of these reductions in mortality in terms of billions of dollars of income. We discuss factors underlying these reductions in mortality and suggest how they have been linked to policy. This exercise illustrates one way in which the inclusive growth framework can be used to evaluate the impacts of health policy.
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 | 0,133 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,004 |
| Bibliométrie | 0,016 | 0,014 |
| Études des sciences et des technologies | 0,005 | 0,026 |
| Communication savante | 0,023 | 0,025 |
| Science ouverte | 0,007 | 0,014 |
| Intégrité de la recherche | 0,009 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».