Care‐coordination: Gain‐sharing Agreements in Bundled Payment Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We study gain‐sharing agreements in a target price‐minimum quality payment system. Our work is inspired by the Centers for Medicare and Medicaid Services’ (CMS) Comprehensive Care for Joint Replacement (CJR) bundled payment model. In our model, patients receive care from a hospital and a post‐acute care provider. A third‐party payer establishes target levels for total billing by the hospital and provider, and a target on the overall quality of care. The hospital and provider receive fee‐for‐service (FFS) billings during an episode of care, defined as the period that starts with an admission of a patient to the hospital and ends 90 days post‐discharge. The hospital may also receive an incentive payment if total FFS billing by both parties is below the target price and total quality by both parties is above the minimum quality. The goal of the incentive payment is to encourage hospitals to enter into “gain‐sharing” agreements with providers. We model the interactions between the three parties. We show that while using a gain‐sharing agreement might be a “win‐win‐win” scenario for the three parties, good design of the payment scheme by the payer is essential to incentivize a hospital to participate in the bundled payment model (e.g., CJR) and sign a gain‐sharing agreement with the provider. Furthermore, we illustrate that a target price‐minimum quality bundled payment model would be more effective, in care‐coordination, in healthcare settings where the provider is much more effective than the hospital in reducing its billing.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle