Examination of High-Cost Patients in Ontario
Notice bibliographique
Résumé
IntroductionIn Ontario, the top 5% of high-cost users account for 66% of health care costs. The heavy use of resources combined with perceived inefficiencies offer an imperative to target strategies to redesign care to better meet patient needs and increase value. Objectives and ApproachAs part of a request submitted to the Applied Health Research Question (AHRQ) review team, the main objective of this study was to identify drivers of high health care use in Ontario in order to find better ways to improve the efficiency in healthcare delivery. Using data in fiscal year 2012/13, characteristics of the top 5% of high costs users were described, and further stratified by mental health status. Total spending by sector of care were also described. Data were linked including physician, hospital, medication and long term care databases for each patient. ResultsIn the top 5% of high-cost users, there were 729,870 patients who accounted for $20,179,208,348 of total healthcare spending in 2012/13, with the highest percentage of spending observed among older adults aged 61-80 years old. Mental health high-cost patients accounted for 6.1% of these patients, of which 51.5% were female, had a low socio-economic status and an average age of 44 years. These patients had an average of 4.9 (SD=2.3) ICD chapters and used an average of 8.7 (SD=3.8) drugs. Using the health accounts methodology (ICHA), as described by the OECD and WHO, over 90% of healthcare costs among the top 5% of high-cost patients were from inpatient care, day surgery and clinic care, physician care, outpatients drugs and inpatient rehabilitation and complex/continuing care. Conclusion/ImplicationsThis study provides a systematic description of the needs in a high cost patient group, and serves as a platform for international comparisons across healthcare systems to better understand gaps and identify targets for intervention. These cross-comparisons offer a tool to evaluate performance of healthcare systems and to prioritize policies.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».