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 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 | 0,106 | 0,387 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,010 | 0,016 |
| Bibliométrie | 0,026 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».