The Economic Impacts of ICD-9 to ICD-10 Health Indicator Coding System Transition in the Calgary Region
Notice bibliographique
Résumé
IntroductionCoded data serves a critical part in the process of identifying the resource allocation required for each department in a hospital and for research purposes. This paper attempts a cost-benefit analysis of the transition from ICD-9 health indicator coding system to ICD-10 coding system and quantify the economic impacts. Objectives and ApproachThe hypothesis adopted by this paper is that the transition from ICD-9 to ICD-10 has been beneficial for the health system due better disease management, resulting in cost savings and facilitation of high quality health research. Analyzing the inflation-adjusted costs compared with the benefits accrued from implementing the new coding system would enable informed decision making for the stakeholders at government and other levels of health provision. The methodology involves constructing ‘benefit scenarios’ via analysis of existing literature and interviewing coding managers; costs are evaluated using data collected on re-training coders and productivity losses during the transition phase. ResultsAn example of a benefit scenario would take the form of cost savings associated with correctly identifying people with diabetes (due to coded charts), hence resulting in a decline in blood sugar (HbA1c) levels via better disease management. This in turn may cause reductions in other high blood-sugar related diseases and thus increase efficiency for government funding in the health care sector. Improved data quality in ICD-10 is expected to have resulted in gains from specificity due to increased sensitivity of data classification and grouping. Actual cost of re-training of coders and ICD-10 software provider fees are expected to be higher than the costs anticipated before ICD-10 implementation. Productivity losses in the transition phase are expected to have declined as coders became more adept at coding. Conclusion/ImplicationsAn economic evaluation proves to be a vital part of eliciting whether the transition to the newer method of coding, ICD-10, has been beneficial to the end users of the data. It is important to understand the efficiency of resource allocation to healthcare and the financial implications such investments entail.
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 | 0,006 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».