MétaCan
Menu
Retour à la cohorte
Enregistrement W2911738376 · doi:10.1093/acrefore/9780190625979.013.59

Price Regulation and Pay-for-Performance in Public Health Systems

2018· reference-entry· en· W2911738376 sur OpenAlexaboutno aff
Luigi Siciliani

Notice bibliographique

RevueOxford Research Encyclopedia of Economics and Finance · 2018
Typereference-entry
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAllocative efficiencyIncentivePaymentPay for performanceBusinessPayment systemPublic economicsUnit priceQuality (philosophy)Actuarial scienceEconomicsFinanceMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Abstract Payment systems based on fixed prices have become the dominant model to finance hospitals across OECD countries. In the early 1980s, Medicare in the United States introduced the diagnosis-related group (DRG) system. The idea was that hospitals should be paid a fixed price for treating a patient within a given diagnosis or treatment. The system then spread to other European countries (e.g., France, Germany, Italy, Norway, Spain, the United Kingdom) and high-income countries (e.g., Canada, Australia). The change in payment system was motivated by concerns over rapid health expenditure growth and replaced financing arrangements based on reimbursing costs (e.g., in the United States) or fixed annual budgets (e.g., in the United Kingdom). A more recent policy development is the introduction of pay-for-performance (P4P) schemes, which, in most cases, pay directly for higher quality. This is also a form of regulated price payment but the unit of payment is a (process or outcome) measure of quality, as opposed to activity, that is admitting a patient with a given diagnosis or a treatment. Fixed price payment systems, either of the DRG type or the P4P type, affect hospital incentives to provide quality, contain costs, and treat the right patients (allocative efficiency). Quality and efficiency are ubiquitous policy goals across a range of countries. Fixed price regulation induces providers to contain costs and, under certain conditions (e.g., excess demand), offer some incentives to sustain quality. But payment systems in the health sector are complex. Since its inception, DRG systems have been continuously refined. From their initial (around) 500 tariffs, many DRG codes have been split in two or more finer ones to reflect heterogeneity in costs within each subgroup. In turn, this may give incentives to provide excessive intensive treatments or to code patients in more remunerative tariffs, a practice known as upcoding. Fixed prices also make it financially unprofitable to treat high cost patients. This is particularly problematic when patients with the highest costs have the largest benefits from treatment. Hospitals also differ systematically in costs and other dimensions, and some of these external differences are beyond their control (e.g., higher cost of living, land, or capital). Price regulation can be put in place to address such differences. The development of information technology has allowed constructing a plethora of quality indicators, mostly process measures of quality and in some cases health outcomes. These have been used both for public reporting, to help patients choose providers, but also for incentive schemes that directly pay for quality. P4P schemes are attractive but raise new issues, such as they might divert provider attention and unincentivized dimensions of quality might suffer as a result.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,030
score de la tête « metaresearch » (Gemma)0,084
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,161

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0300,084
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,005
Études des sciences et des technologies0,0030,011
Communication savante0,0110,009
Science ouverte0,0020,005
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,136
Tête enseignante GPT0,325
Écart entre enseignants0,189 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOxford Research Encyclopedia of Economics and FinanceMême sujetHealthcare Policy and ManagementTravaux en français237 207