The effects of patient cost sharing on inpatient utilization, cost, and outcome
Notice bibliographique
Résumé
BACKGROUND: Health insurance and provider payment reforms all over the world beg a key empirical question: what are the potential impacts of patient cost-sharing on health care utilization, cost and outcomes? The unique health insurance system and rich electronic medical record (EMR) data in China provides us a unique opportunity to study this topic. METHODS: Four years (2010 to 2014) of EMR data from one medical center in China were utilized, including 10,858 adult patients with liver diseases. We measured patient cost-sharing using actual reimbursement ratio (RR) which is allowed us to better capture financial incentive than using type of health insurance. A rigorous risk adjustment method was employed with both comorbidities and disease severity measures acting as risk adjustors. Associations between RR and health use, costs and outcome were analyzed by multivariate analyses. RESULTS: After risk adjustment, patients with more generous health insurance coverage (higher RR) were found to have longer hospital stay, higher total cost, higher medication cost, and higher ratio of medication to total cost, as well as higher number and likelihood that specific procedures were performed. CONCLUSION: Our study implied that patient cost-sharing affects health care services use and cost. This reflects how patients and physicians respond to financial incentives in the current healthcare system in China, and the responses could be a joint effect of both demand and supply side moral hazard. In order to contain cost and improve efficiency in the system, reforming provide payment and insurance scheme is urgently needed.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».