Defining ‘actionable’ high- costhealth care use: results using the Canadian Institute for Health Information population grouping methodology
Notice bibliographique
Résumé
BACKGROUND: A small proportion of the population consumes the majority of health care resources. High-cost health care users are a heterogeneous group. We aim to segment a provincial population into relevant homogenous sub-groups to provide actionable information on risk factors associated with high-cost health care use within sub-populations. METHODS: The Canadian Institute for Health Information (CIHI) Population Grouping methodology was used to define mutually exclusive and clinically relevant health profile sub-groups. High-cost users (> = 90th percentile of health care spending) were defined within each sub-group. Univariate analyses explored demographic, socio-economic status, health status and health care utilization variables associated with high-cost use. Multivariable logistic regression models were constructed for the costliest health profile groups. RESULTS: From 2015 to 2017, 1,175,147 individuals were identified for study. High-cost users consumed 41% of total health care resources. Average annual health care spending for individuals not high-cost were $642; high-cost users were $16,316. The costliest health profile groups were 'long-term care', 'palliative', 'major acute', 'major chronic', 'major cancer', 'major newborn', 'major mental health' and 'moderate chronic'. Both 'major acute' and 'major cancer' health profile groups were largely explained by measures of health care utilization and multi-morbidity. In the remaining costliest health profile groups modelled, 'major chronic', 'moderate chronic', 'major newborn' and 'other mental health', a measure of socio-economic status, low neighbourhood income, was statistically significantly associated with high-cost use. INTERPRETATION: Model results point to specific, actionable information within clinically meaningful subgroups to reduce high-cost health care use. Health equity, specifically low socio-economic status, was statistically significantly associated with high-cost use in the majority of health profile sub-groups. Population segmentation methods, and more specifically, the CIHI Population Grouping Methodology, provide specificity to high-cost health care use; informing interventions aimed at reducing health care costs and improving population health.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,026 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,012 | 0,026 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».