Can Claims Data Algorithms Identify the Physician of Record?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Claims-based algorithms based on administrative claims data are frequently used to identify an individual's primary care physician (PCP). The validity of these algorithms in the US Medicare population has not been assessed. OBJECTIVE: To determine the agreement of the PCP identified by claims algorithms with the PCP of record in electronic health record data. DATA: Electronic health record and Medicare claims data from older adults with diabetes. SUBJECTS: Medicare fee-for-service beneficiaries with diabetes (N=3658) ages 65 years and older as of January 1, 2008, and medically housed at a large academic health system. MEASURES: Assignment algorithms based on the plurality and majority of visits and tie breakers determined by either last visit, cost, or time from first to last visit. RESULTS: The study sample included 15,624 patient-years from 3658 older adults with diabetes. Agreement was higher for algorithms based on primary care visits (range, 78.0% for majority match without a tie breaker to 85.9% for majority match with the longest time from first to last visit) than for claims to all visits (range, 25.4% for majority match without a tie breaker to 63.3% for majority match with the amount billed tie breaker). Percent agreement was lower for nonwhite individuals, those enrolled in Medicaid, individuals experiencing a PCP change, and those with >10 physician visits. CONCLUSIONS: Researchers may be more likely to identify a patient's PCP when focusing on primary care visits only; however, these algorithms perform less well among vulnerable populations and those experiencing fragmented 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.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle