Can economic incentives increase the use of home dialysis?
Notice bibliographique
Résumé
There are advantages to home dialysis for patients, and kidney care programs, but use remains low in most countries. Health-care policy-makers have many levers to increase use of home dialysis, one of them being economic incentives. These include how health-care funding is provided to kidney care programs and dialysis facilities; how physicians are remunerated for care of home dialysis patients; and financial incentives-or removal of disincentives-for home dialysis patients. This report is based on a comprehensive literature review summarizing the impact of economic incentives for home dialysis and a workshop that brought together an international group of policy-makers, health economists and home dialysis experts to discuss how economic incentives (or removal of economic disincentives) might be used to increase the use of home dialysis. The results of the literature review and the consensus of workshop participants were that financial incentives to dialysis facilities for home dialysis (for instance, through activity-based funding), particularly in for-profit systems, could lead to a small increase in use of home dialysis. The evidence was less clear on the impact of economic incentives for nephrologists, and participants felt this was less important than a nephrologist workforce in support of home dialysis. Workshop participants felt that patient-borne costs experienced by home dialysis patients were unjust and inequitable, though participants noted that there was no evidence that decreasing patient-borne costs would increase use of home dialysis, even among low-income patients. The use of financial incentives for home dialysis-whether directed at dialysis facilities, nephrologists or patients-is only one part of a high-performing system that seeks to increase use of home dialysis.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».