MétaCan
Menu
← Retour à la cohorte
Enregistrement W2998742713 · doi:10.3386/w15309

Estimating Heterogeneity in the Benefits of Medical Treatment Intensity

2009· preprint· en· W2998742713 sur OpenAlexaff
William N. Evans, Craig Garthwaite

Notice bibliographique

RevueNational Bureau of Economic Research · 2009
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensKellogg's (Canada)
Organismes subventionnairesNational Institutes of Health
Mots-clésIntensity (physics)Treatment effectPropensity score matchingEconometricsMedicineMedical treatmentDemographyStatisticsEconomicsMathematicsIntensive care medicineInternal medicine

Résumé

récupéré en direct d'OpenAlex

Federal and state laws passed in the late 1990 increased considerably postpartum stays for newborns.Using all births in California over the 1995-2001 period, 2SLS estimates suggest that for the average newborn impacted by the law, increased treatment intensity had modest and statistically insignificant (p-value>0.05)impacts on readmission probabilities.Allowing the treatment effect to vary by pre-existing conditions or the pre-law propensity score of being discharged early, two objective measures of medical need, demonstrates that the law had large and statistically significant impacts for those with the greatest likelihood of a readmission.These results demonstrate heterogeneity in the returns to greater treatment intensity, and the returns to the average and marginal patient vary considerably.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,030
score de la tête « metaresearch » (Gemma)0,090
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,158

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0300,090
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,004
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,002
Communication savante0,0030,001
Science ouverte0,0020,003
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,532
Tête enseignante GPT0,524
Écart entre enseignants0,008 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic Research→Même sujetHealthcare Policy and Management→Travaux en français237 207→