Demonstrating advanced practice provider value: Implementing a new advanced practice provider billing algorithm
Notice bibliographique
Résumé
BACKGROUND: Rapid changes in health care are driving the adjustment of work flow by which providers serve patients in team-based care. Specifically, there is a need to develop more effective and efficient utilization with accurate attribution of advanced practice providers' (APPs) productivity. LOCAL PROBLEM: The Directors of the APP-Best Practice Center conducted assessments of each clinical area at MUSC Health, a large academic medical center. A knowledge gap was identified, not only regarding billing practices of the APPs (nurse practitioners/physician assistants) but also in the utilization of APPs to practice to the fullest extent of their license, education, and experience. METHODS: By substantiating APPs' contribution margin through the process of implementing a new standardized APP billing algorithm, a change in practice was accepted by senior leadership and a new APP billing algorithm was built while following updated practice laws, compliance/legal standards, and hospital bylaws/regulations. INTERVENTIONS: A new billing algorithm was implemented on July 1, 2017, and outcomes were evaluated 12 months after implementation. RESULTS: This project uncovered the work already performed by APPs while increasing relative value units, collections, and overall patient encounters by the APP/physician team. Findings suggest improved utilization and appropriate attribution of productivity. CONCLUSIONS: With the APP work force growing, the implementation of electronic medical record systems, and today's health care financial constraints, it is imperative that health care systems standardize their billing practices. The APP billing algorithm is a critical tool that will help to meet this demand.
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 | 0,006 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,005 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».