How accurate are we? A comparison of resident and staff physician billing knowledge and exposure to billing education during residency training
Notice bibliographique
Résumé
Background: Practice management is an overlooked and undertaught subject in medical education. Many physicians feel that their exposure to billing education during residency training was inadequate. The purpose of this study was to compare resident and staff physicians in terms of their billing knowledge and exposure to billing education during residency training. Methods: Senior residents and staff physicians completed a scenario-based clinical billing assessment. Posttest surveys were completed to determine exposure to practice management and billing education during training. Results: A total of 16 resident physicians and 17 staff physicians completed the billing assessment. Overall, the billing accuracy of respondents was poor. Staff physicians had a greater percentage of correct billing codes (55.3% v. 37.5%, p < 0.001) and underbilled codes (6.2% v. 3.4%, p = 0.009), with fewer missed billing codes (38.5% v. 59.1%, p < 0.001), compared with resident physicians. The percentage value of correct billings was significantly higher for staff physicians (71.5% v. 56.8%, p = 0.01). In the posttest survey, 100.0% of residents and 79.0% of staff physicians desired more billing education during training. Conclusion: In general, staff physicians billed more accurately than resident physicians, but even experienced staff physicians missed a substantial amount of potential revenue because of billing errors and omissions. The majority of the residents and staff physicians who participated in our study felt that current billing education is both insufficient and ineffective. Incorporating practice management and billing education into residency training is critical to ensure that the next generation of medical trainees possess the financial competence to required to manage a successful medical practice.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».