Impacts of Alternative Billing Claims on Hypertension Prevalence and Mortality Estimates in Alberta, Canada
Notice bibliographique
Résumé
ABSTRACT ObjectivesIn Canada, secondary sources of health information such as physician billing claims are used for surveillance of chronic conditions such as hypertension. The value of this data may be affected by different types of physician payment models. Fee-for-service (FFS) physicians submit billing claims in order to be remunerated whereas physicians on salary or capitation also called alternative payment plans (APP) are remunerated regardless of whether claims are submitted. Thus there are concerns nationally that APPs may be associated with decreased frequency of billing submission, thereby eroding data quality and leading to underestimates of disease burdens and outcomes. We assessed the impact of APPs on hypertension prevalence, mortality and cardiovascular (CVD) hospitalization in Alberta. ApproachThe following health administrative databases from Alberta, Canada were used in this study: 1) Alberta Health Care Insurance Plan registry; 2) Hospital Discharge Abstract database (DAD); 3) Physician claims data and; 4) Vital Statistics database. We defined patients with hypertension aged 20 years and older between April 1, 2004 and March 31, 2009 (fiscal years 2004 to 2009) based on previously validated algorithm. Cases were then sorted into FFS and non-FFS billing status. Descriptive statistics for age group, sex, income quintile, rural/urban geographical location, death status and comorbidities were reported between the shadow billing and non-shadow billing groups in regards to prevalence, all-cause mortality and CVD hospitalizations. ResultsA total of 613, 844 adult hypertensive cases were captured during the 5 year study period. The majority of hypertension cases (99.6%, n=610,167) were identified through FFS claims. The effect of non-FFS billing estimates represented a small proportion of hypertension cases (0.40%, n=3677) identified during the study period. Among the FFS claims, overall hypertension prevalence was 22.2% (n=610167) and the effect of non-FFS billing estimates (0.13%, n=3677) on prevalence estimates was relatively minor. All-cause mortality 33.8 (95% CI 33.6-34) and CVD 40.6 (40.4-40.9) were higher for FFS cases than non-FFS cases 19.0 (16.6-21.8) and CVD: 8.0 (6.4-9.8). ConclusionDuring the study time period, the impact of non-FFS (i.e. shadow billings) on physician claims may not have impacted hypertension prevalence estimates greatly. Since Alberta uses shadow billing incentive programs, future research is needed to determine whether incentive programs should be considered in other provinces or nationally in order to preserve the overall quality of physician claims data.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 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) | 0,002 | 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 ».