Predicting Consumer Effort in Finding and Paying for Health Care: Expert Interviews and Claims Data Analysis
Notice bibliographique
Résumé
BACKGROUND: For consumers to accept and use a health care information system, it must be easy to use, and the consumer must perceive it as being free from effort. Finding health care providers and paying for care are tasks that must be done to access treatment. These tasks require effort on the part of the consumer and can be frustrating when the goal of the consumer is primarily to receive treatments for better health. OBJECTIVE: The aim of this study was to determine the factors that result in consumer effort when finding accessible health care. Having an understanding of these factors will help define requirements when designing health information systems. METHODS: A panel of 12 subject matter experts was consulted and the data from 60 million medical claims were used to determine the factors contributing to effort. RESULTS: Approximately 60 million claims were processed by the health care insurance organization in a 12-month duration with the population defined. Over 292 million diagnoses from claims were used to validate the panel input. The results of the study showed that the number of people in the consumer's household, number of visits to providers outside the consumer's insurance network, number of adjusted and denied medical claims, and number of consumer inquiries are a proxy for the level of effort in finding and paying for care. The effort level, so measured and weighted per expert panel recommendations, differed by diagnosis. CONCLUSIONS: This study provides an understanding of how consumers must put forth effort when engaging with a health care system to access care. For higher satisfaction and acceptance results, health care payers ideally will design and develop systems that facilitate an understanding of how to avoid denied claims, educate on the payment of claims to avoid adjustments, and quickly find providers of affordable 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 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 | 0,018 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 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 ».