Using Diagnoses to Estimate Health Care Cost Risk in Canada
Notice bibliographique
Résumé
OBJECTIVE: Until recently, the options for summarizing Canadian patient complexity were limited to health risk predictive modeling tools developed outside of Canada. This study aims to validate a new model created by the Canadian Institute for Health Information (CIHI) for Canada's health care environment. RESEARCH DESIGN: This was a cohort study. SUBJECTS: The rolling population eligible for coverage under Ontario's Universal Provincial Health Insurance Program in the fiscal years (FYs) 2006/2007-2016/2017 (12-13 million annually) comprised the subjects. MEASURES: To evaluate model performance, we compared predicted cost risk at the individual level, on the basis of diagnosis history, with estimates of actual patient-level cost using "out-of-the-box" cost weights created by running the CIHI software "as is." We next considered whether performance could be improved by recalibrating the model weights, censoring outliers, or adding prior cost. RESULTS: We were able to closely match model performance reported by CIHI for their 2010-2012 development sample (concurrent R=48.0%; prospective R=8.9%) and show that performance improved over time (concurrent R=51.9%; prospective R=9.7% in 2014-2016). Recalibrating the model did not substantively affect prospective period performance, even with the addition of prior cost and censoring of cost outliers. However, censoring substantively improved concurrent period explanatory power (from R=53.6% to 66.7%). CONCLUSIONS: We validated the CIHI model for 2 periods, FYs 2010/2011-2012/2013 and FYs 2014/2015-2016/2017. Out-of-the-box model performance for Ontario was as good as that reported by CIHI for the development sample based on 3-province data (British Columbia, Alberta, and Ontario). We found that performance was robust to variations in model specification, data sources, and time.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».