A systematic review of case-mix models for home health care payment: Making sense of variation
Notice bibliographique
Résumé
BACKGROUND: Case-mix based payment of health care services offers potential to contain expenditure growth and simultaneously support needs-based care provision. However, limited evidence exists on its application in home health care (HHC). Therefore, this study aimed to synthesize available international literature on existing case-mix models for HHC payment. METHODS: We performed a systematic review of scientific literature, supplemented with grey literature. We searched for literature using six scientific databases, reference lists, expert consultation, and targeted websites. Data on study design, case-mix model attributes, and conclusions were extracted narratively. RESULTS: Of 3303 references found, 22 scientific studies and 27 grey documents met eligibility criteria. Eight case-mix models for HHC were identified, from the US, Canada, New Zealand, Australia, and Germany. Three countries have implemented a case-mix model as part of a HHC payment system. Different combinations of in total 127 unique case-mix predictors are included across models to predict HHC use. Case-mix models also differ in targeted services, operationalization, and outcome measures and predictive power. CONCLUSIONS: Case-mix based payment is not yet widely used within HHC. Multiple varieties were found between HHC case-mix models, and no one best form of a model seems to exist. Even though varieties are partly inevitable due to country-specific contexts, developing a shared vision in case-mix model attributes would be key to achieving efficient, needs-based HHC.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».