Use of the Population Grouping Methodology of the Canadian Institute for Health Information to predict high-cost health system users in Ontario
Notice bibliographique
Résumé
BACKGROUND: Prior research has consistently shown that the heaviest users account for a disproportionate share of health care costs. As such, predicting high-cost users may be a precondition for cost containment. We evaluated the ability of a new health risk predictive modelling tool, which was developed by the Canadian Institute for Health Information (CIHI), to identify future high-cost cases. METHODS: We ran the CIHI model using administrative health care data for Ontario (fiscal years 2014/15 and 2015/16) to predict the risk, for each individual in the study population, of being a high-cost user 1 year in the future. We also estimated actual costs for the prediction period. We evaluated model performance for selected percentiles of cost based on the discrimination and calibration of the model. RESULTS: A total of 11 684 427 individuals were included in the analysis. Overall, 10% of this population had annual costs exceeding $3050 per person in fiscal year 2016/17, accounting for 71.6% of total expenditures; 5% had costs above $6374 (58.2% of total expenditures); and 1% exceeded $22 995 (30.5% of total expenditures). Model performance increased with higher cost thresholds. The c-statistic was 0.78 (reasonable), 0.81 (strong) and 0.86 (very strong) at the 10%, 5% and 1% cost thresholds, respectively. INTERPRETATION: The CIHI Population Grouping Methodology was designed to predict the average user of health care services, yet performed adequately for predicting high-cost users. Although we recommend the development of a purpose-designed tool to improve model performance, the existing CIHI Population Grouping Methodology may be used - as is or in concert with additional information - for many applications requiring prediction of future high-cost users.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».