Quantifying low-value services by using routine data from Austrian primary care
Notice bibliographique
Résumé
BACKGROUND: Open debates about the reduction of low-value services, unnecessary diagnostic tests and ineffective therapeutic procedures and initiatives like "Choosing Wisely "in the USA and Canada are still absent in Austria. The objectives of this study are: (i) to establish a list of ineffective or low-value services possibly provided in Austrian primary care, (ii) to explore how many of these services are quantifiable using routine data and (iii) to estimate the number of affected beneficiaries and avoidable costs arising from the provision of these services. METHODS: In May 2014, we identified low-value care services relevant for primary care in Austria. For our analysis we used routine data sets from the Austrian health insurance. All analysis refer to the insured population of the Lower Austrian Sickness Fund (n = 1 168 433) in the year 2013. RESULTS: (i) We found 453 low-value services possibly offered in Austrian primary care. (ii) Only 34 (7.5%) services were quantifiable using routine data. (iii) In the year 2013, these 34 services were provided to at least 246 131 beneficiaries and the estimated avoidable costs arising were at least 11.38 million Euros. This accounts for 1.2% of overall spending of the Lower Austrian Sickness Fund for drugs and services provided by primary care doctors in the year 2013. CONCLUSION: The absence of a homogeneous, transparent and accessible coding system for diagnosis in Austrian primary care restrained our assessment. However, our study findings illustrate the potential utility and limitations of using claims-based measures to identify low-value care.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,050 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».