Bending the Cost Curve—Establishing Value in Spine Surgery
Notice bibliographique
Résumé
BACKGROUND: As publically promoted by all stakeholders in health care reform, prospective outcomes registry platforms lie at the center of all current evidence-driven value-based models. OBJECTIVE: To demonstrate the variability in outcomes and cost at population level and individual patient level for patients undergoing spine surgery for degenerative diseases. METHODS: Retrospective analysis of prospective longitudinal spine registry data was conducted. Baseline and postoperative 1-year patient-reported outcomes were recorded. Previously published minimal clinically important difference for Oswestry Disability Index (14.9) was used. Back-related resource utilization and quality-adjusted life years (QALYs) were assessed. Variations in outcomes and cost were analyzed at population level and at the individual patient level. RESULTS: A total of 1454 patients were analyzed. There was significant improvement in patient-reported outcomes at postoperative 1 year ( P < .0001). For patients demonstrating health benefit at population level, 12.5%, n = 182 of patients experienced no gain from surgery and 38%, n = 554 failed to achieve minimal clinically important difference. Mean 1-year QALY-gained was 0.29; 18% of patients failed to report gain in QALY. For patients with 2-year follow-up, surgery resulted in 0.62 QALY-gained at average direct cost of $28 953. A wide variation in both QALY-gained and cost was observed. CONCLUSION: Spine treatments that on average are cost-effective may have wide variability in value at the individual patient level. The variability demonstrated here represents an opportunity, through registries, to identify specific care that may be less effective, and refine patient-specific care delivery and indications to drive overall group-level treatment value. Understanding value of spine care at an individualized as well as population level will allow clinicians, and eventually payers, to better target resources for improving care for nonresponders, ultimately driving up the average health for the whole population.
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 | 0,036 | 0,211 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».