Bending the cost curve? Results from a comprehensive primary care payment pilot
Notice bibliographique
Résumé
BACKGROUND: There is much interest in understanding how using bundled primary care payments to support a patient-centered medical home (PCMH) affects total medical costs.\nRESEARCH DESIGN AND SUBJECTS: We compare 2008-2010 claims and eligibility records on about 10,000 patients in practices transforming to a PCMH and receiving risk-adjusted base payments and bonuses, with similar data on approximately 200,000 patients of nontransformed practices remaining under fee-for-service reimbursement.\nMETHODS: We estimate the treatment effect using difference-in-differences, controlling for trend, payer type, plan type, and fixed effects. We weight to account for partial-year eligibility, use propensity weights to address differences in exogenous variables between control and treatment patients, and use the Massachusetts Health Quality Project algorithm to assign patients to practices.\nRESULTS: Estimated treatment effects are sensitive to: control variables, propensity weighting, the algorithm used to assign patients to practices, how we address differences in health risk, and whether/how we use data from enrollees who join, leave, or change practices. Unadjusted PCMH spending reductions are 1.5% in year 1 and 1.8% in year 2. With fixed patient assignment and other adjustments, medical spending in the treatment group seems to be 5.8% (P=0.20) lower in year 1 and 8.7% (P=0.14) lower in year 2 than for propensity-weighted, continuously enrolled controls; the largest proportional 2-year reduction in spending occurs in laboratory test use (16.5%, P=0.02).\nCONCLUSIONS: Although estimates are imprecise because of limited data and quasi-experimental design, risk-adjusted bundled payment for primary care may have dampened spending growth in 3 practices implementing a PCMH.
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 | 0,014 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».