Using a Health Economic Framework to Prioritize Quality Indicators: An Example With Smoking Cessation in Chronic Obstructive Pulmonary Disease
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background. Health care performance monitoring is a major focus of the modern quality movement, resulting in widespread development of quality indicators and making prioritizations an increasing focus. Currently, few prioritization methods of performance measurements give serious consideration to the association of performance with expected health benefits and costs. We demonstrate a proof-of-concept application of using a health economic framework to prioritize quality indicators by expected variations in population health and costs, using smoking cessation in chronic obstructive pulmonary disease (COPD) as an example. Methods. We developed a health state transition, microsimulation model to represent smoking cessation practices for adults with COPD from the health care payer perspective in Ontario, Canada. Variations in life years, quality-adjusted life years (QALYs), and lifetime costs were associated with changes in performance. Incremental net health benefit (INHB) was used to represent the joint variation in mortality, morbidity, and costs associated with the performance of each quality indicator. Results. Using a value threshold of $50,000/QALY, the indicators monitoring assessment of smoking status and smoking cessation interventions were associated with the largest INHBs. Combined performance variations among groups of indicators showed that 81% of the maximum potential INHB could be represented by three out of the six process indicators. Conclusions. A health economic framework can be used to bring dimensions of population health and costs into explicit consideration when prioritizing quality indicators. However, this should not preclude policymakers from considering other dimensions of quality that are not part of this framework.
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.
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 | 0,015 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 découle