Utilizing Patient-Specific Factors to Predict Costs in Home-Based Medicare Part B Outpatient Physical Therapy
Notice bibliographique
Résumé
The US health care system faces rising costs related to population aging, among other factors. One aspect of the high costs related to aging is Medicare outpatient therapy expenditures, which in 2010 totaled $5.642B for ∼4.7 million beneficiaries. Given the magnitude of these costs and the need to maximize value, this study developed and tested a predictive model of outpatient therapy costs. Retrospective analysis was performed on electronic medical record data from October 31, 2014-September 30, 2016 for 15,468 Medicare cases treated by physical therapists associated with a large, national rehabilitation provider. The analysis was a multiple linear regression of cost per case by 27 predictor variables: age group, sex, recent hospitalization, community vs. facility residence, the 10 states served, time from admission to initial evaluation, initial functional limitation reporting level, functional limitation reporting category, and 9 chronic conditions. The model was designed to be predictive and includes only variables available at the start of a case. The model was statistically significant (P < .0001) but explained only 7.4% of the variance in cost. Of the predictor variables, 16 had statistically significant effects. Those most highly predictive included state in which service was provided (8 of the 16 effects), and 3 variables indicating physical functioning at initial evaluation (initial functional limitation category and level, and residence in community vs. facility). There is need for more research focusing on the effects of specific types of treatment, and also for a more proactive model for outpatient therapy reimbursement that emphasizes prevention as well as treatment.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
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 ».