Advancing Primary Care Through Alternative Payment Models: Lessons from the United States & Canada
Notice bibliographique
Résumé
The United States and Canada share high costs, poor health system performance, and challenges to the transformation of primary care, in part due to the limitations of their fee-for-service payment models. Rapidly advancing alternative payment models (APMs) in both countries promise better support for the essential tasks of primary care. These include interdisciplinary teams, care coordination, self-management support, and ongoing communication. This article reviews learnings from a 2017 binational symposium of 150 experts in policy and research that included a discussion of ongoing APM experiments in the United States and Canada. Discussions ranged from APM challenges and successes to their real and potential impact on primary care. The gathering yielded many lessons for policy makers, payors, researchers, and providers. Experts lauded recent APM experimentation on both sides of the border, while cautioning against the risk of "pilotitis," or developing, implementing, and evaluating new payment models without plan or ability scale them into broader practice. Discussants highlighted the power of "learning at scale," highlighting large-scale primary care payment innovations launched by the US Center for Medicare and Medicaid Innovation since 2011, and called for a similar national center to drive innovation across provincial health systems in Canada. There was general consensus that altering payment models alone, absent incentives for innovation and continuous learning as well as increased proportional spending on primary care overall, would not correct health system deficiencies. Participants lamented the absence of more robust evaluation of APM successes and shortcomings, as well as more rapid release of results to accelerate further innovation. They also highlighted the importance of APMs that include flexible and upfront payments for primary care innovations, and which reward measuring and achieving global rather than intermediate outcomes, to achieve utilization goals and patient and provider satisfaction.
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 | 0,017 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,013 | 0,008 |
| Communication savante | 0,010 | 0,004 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».