Behavioral Health's Integration Within a Care Network and Health Care Utilization
Notice bibliographique
Résumé
OBJECTIVE: Examine how behavioral health (BH) integration affects health care costs, emergency department (ED) visits, and inpatient admissions. DATA SOURCES/STUDY SETTING: Truven Health MarketScan Research Databases. STUDY DESIGN: Social network analysis identified "care communities" (providers sharing a high number of patients) and measured BH integration in terms of how connected, or central, BH providers were to other providers in their community. Multivariable generalized linear models adjusting for age, sex, number of prescriptions, and Charlson comorbidity score were used to estimate the relationship between the centrality of BH providers and health care utilization of BH patients. DATA COLLECTION/EXTRACTION METHODS: Used outpatient, inpatient, and pharmacy claims data from six Medicaid plans from 2011 to 2013 to identify study outcomes, comorbidities, providers, and health care encounters. PRINCIPAL FINDINGS: Behavioral health centrality ranged from 0 (no BH providers) to 0.49. Relative to communities at the median BH centrality (0.06), in 2012, BH patients in communities at the 75th percentile of BH centrality (0.31) had 0.2 fewer admissions, 2.1 fewer all-cause ED visits, and accrued $1,947 fewer costs, on average. CONCLUSIONS: Increased behavioral centrality was significantly associated with a reduced number of ED visits, less frequent inpatient admissions, and lower overall health care costs.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».