Predicting the Cost of Health Care Services
Notice bibliographique
Résumé
BACKGROUND: Case-mix systems and comorbidity indices aggregate clinical information about patients over time and are used to characterize need for health care services. These tools were validated for their original purpose, but those purposes are varied, and they have not been compared directly in the context of predicting costs of health care services. OBJECTIVE: To compare predictions of next-year health care service costs across 4 tools, including: the Johns Hopkins Adjusted Clinical Groups (ACG), the Elixhauser Comorbidity Index, Charlson-Deyo Comorbidity Index, and the Canadian Institute for Health Information (CIHI) population grouper. METHODS: British Columbia administrative data from fiscal years 2012-2013 were used to generate case-mix variables and the comorbidity indices. Outcome variables include next-year (2013-2014) total, physician, acute care, and pharmaceutical costs, Outcomes were modeled using 2-part models. Performance was compared using adjusted R, root mean squared error, and mean absolute error using the predicted and the actual next-year cost. RESULTS: Models including the CIHI grouper (239 conditions) and ACG system had similar performance in most cost categories and slightly better fit than Charlson Comorbidity Index (CCI) and Elixhauser Comorbidity Index (ECI). Adding a dummy variable for nonusers in the models for CCI and ECI increased R values slightly. CONCLUSIONS: All these systems have empirical support for use in predicting health care costs, despite in some cases being developed for other purposes. No system is particularly effective at predicting next-year acute care cost, likely because acute events are often by definition unexpected. The freely available ECI and CCI comorbidity indices implemented using the highest-performing methods developed here may be a good choice in many circumstances.
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 ».