System level interventions to reduce utilization of general anesthesia to treat dental caries: a practice brief
Notice bibliographique
Résumé
Dental caries are the most common chronic disease of childhood. Untreated caries can result in severe pain and infection; and in some cases, difficulties in eating, speech, and education. Hospitalization and general anesthesia are often necessary for treating extensive disease in young children, which adds significant risk and expense. Interventions, such as community-based preventative care, utilization of pre-authorizations for treatment, and at-risk contracts, have been deployed as innovative strategies to reduce the incidence of caries and the cost of treatment. Value-based payment structures give payors flexibility to design a multipronged system to impact the health of consumers. This practice brief will identify interventions at a systems level that reduced the utilization of general anesthesia treating dental caries in children under the age of six. Dental claims data from the period of Q1 2011 to Q2 2020 were utilized to analyze the trends in utilization of the operating room (OR) to treat dental conditions among children under 6 years. Fixed effects analysis was utilized to identify key over time changes in the reduction of children's OR utilization. A reduction in utilization of general anesthesia and hospitalization for treating dental caries in young children was seen. The expansion of the community care team, metrics to reinforce the systems of provider education and training, and the use of incentive payments were all associated with reductions in the rate of OR utilization. Between 2012 and 2017, multiple initiatives were implemented without a systematic approach to quality improvement to evaluate.
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 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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».