MétaCan
Menu
Retour à la cohorte
Enregistrement W2943458006 · doi:10.1377/hlthaff.2018.05324

China’s Health Expenditure Projections To 2035: Future Trajectory And The Estimated Impact Of Reforms

2019· article· en· W2943458006 sur OpenAlexaff
Tiemin Zhai, John Goss, Tania Dmytraczenko, Yuhui Zhang, Jinjing Li, Peipei Chai

Notice bibliographique

RevueHealth Affairs · 2019
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGlobal Health Care Issues
Établissements canadiensInstitute on Governance
Organismes subventionnairesnon disponible
Mots-clésChinaPsychological interventionMedicineEnvironmental healthDemographic economicsEconomicsGerontologyGeography

Résumé

récupéré en direct d'OpenAlex

To understand the future trajectory of health expenditure in China if current trends continue and the estimated impact of reforms, this study projected health expenditure by disease and function from 2015 to 2035. Current health expenditure in China is projected to grow 8.4 percent annually, on average, in that period. The growth will mainly be driven by rapid increases in services per case of disease and unit cost, which respectively contribute 4.3 and 2.4 percentage points. Circulatory disease expenditure is projected to increase to 23.4 percent of health expenditure by 2035. The biggest challenge facing the Chinese health system is the projected rapid growth in inpatient services. Three percent of gross domestic product could be saved by 2035 by slowing the growth of inpatient service use from 8.2 percent per year in 2016 to 3.5 percent per year in 2035. Health expenditure in 2035 could be reduced by 3.5 percent if the smoking rate were cut in half and by 3.4 percent if the high blood pressure rate were cut by 25 percent. Future action in controlling health expenditure growth in China should focus on the high growth in inpatient services expenditure and interventions to reduce risk factors.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,190
Score d'incertitude au seuil0,379

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,028
Tête enseignante GPT0,442
Écart entre enseignants0,414 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations38
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth AffairsMême sujetGlobal Health Care IssuesTravaux en français237 207