MétaCan
Menu
Retour à la cohorte
Enregistrement W3008027813 · doi:10.1177/1178632920903731

Predictors of Home Care Costs Among Persons With Dementia, Amyotrophic Lateral Sclerosis, and Multiple Sclerosis in Ontario

2020· article· en· W3008027813 sur OpenAlexaffabout
Clare Cheng, John P. Hirdes, George Heckman, Jeff Poss

Notice bibliographique

RevueHealth Services Insights · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueAmyotrophic Lateral Sclerosis Research
Établissements canadiensResearch Institute for AgingUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésAmyotrophic lateral sclerosisMedicineDementiaPopulationHealth careDiseaseGerontologyEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Home care is an important service for persons with neurological conditions, but little is known about factors affecting health care costs in this setting. Using administrative data collected with the Resident Assessment Instrument for Home Care (RAI-HC), this study identified factors associated with home care costs for recipients of home care services with Alzheimer disease or related dementias, multiple sclerosis, and/or amyotrophic lateral sclerosis. As part of this study, the effectiveness of the Resource Utilization Groups for Home Care (RUG-III/HC), a case-mix classification system developed for the RAI-HC, in predicting care costs for this population, was also tested. Clinical characteristics indicative of greater disease severity had high levels of significance in predicting home care costs. In particular, the RUG-III/HC was highly predictive of home care costs for 3 neurological conditions, indicating the validity of this case-mix system for this population. With the increasing prevalence of neurological conditions and demand for home care services, future studies should continue to focus on identifying specific predictors care costs for those with neurological conditions in this care setting.

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)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,090
Score d'incertitude au seuil0,181

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,249
Écart entre enseignants0,215 · 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'étudeObservationnel
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

Citations4
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHealth Services InsightsMême sujetAmyotrophic Lateral Sclerosis ResearchTravaux en français237 207