PP265 Application Of A Case-Mix Method For Medical Consumables Management In Anhui Province, China Using Healthcare Big Data
Notice bibliographique
Résumé
Introduction The case-mix method involves combining cases with similar complexities and medical services. The process of treating one episode of the disease and receiving treatment is the research unit, thus achieving different medical units. The feasibility of the calculation method is verified by calculating the public hospital consumption ratio, medical income, health materials expenditure indicators, and the differences between the various types of surgical combinations. A decision-making basis can then be provided for the creation of government indicator standards. Methods Medical records and data on the expenditure of medical consumables for the first and fourth quarters of 2017 were collected from seven third-class provincial hospitals. The medical consumption ratio for different diseases and surgical methods was calculated for the case-mix groups using a weighting method. Data were analyzed by descriptive statistics and the independent samples t-test. Results There were significant differences in the proportions of combined use for different types of diseases. The same combination also had significant differences between different hospitals. In the fourth quarter of 2017, the operating group's consumption ratio was significantly lower than in the first quarter (p = 0.000). Conclusions It is reasonable to calculate the proportion of consumption by combined weighted analysis, which is also fairer for hospitals with better technical levels. This calculation method can be used by governments to manage the use and cost of medical consumables in hospitals.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».