86Segmenting persistently high-cost individuals into actionable groups
Notice bibliographique
Résumé
Abstract Background Despite growing evidence describing high cost patients, decision-makers struggle to implement effective strategies to improve care and curb spending in this population. Using a multi-phased approach, we aimed to classify high cost patients into homogeneous subgroups amenable to targeted interventions. Methods We linked population-level administrative health data in Alberta, Canada from 2012-2017. We defined “persistently high-cost” as those in the top 1% of cumulative inpatient, outpatient and medication cost in at least two consecutive years. We used latent class analysis to separate this persistent high-cost population into potentially actionable subgroups. Results Of the 3,795,067 adults residing in Alberta, 21,361 were ‘persistently high-cost’. Latent class models identified 10 high-cost subgroups: individuals with CKD (19.3% of persistent high-cost individuals), those undergoing joint surgery/replacement and rehabilitation (18.6%), individuals with IBD (11.6%), patients receiving biologics for autoimmune conditions (11.3%), patients receiving high cost drugs for other conditions (11.1%), community-dwelling individuals with multimorbid chronic conditions (9.0%), individuals with schizophrenia (6.8%), individuals with other mental health issues (6.2%), rural individuals with COPD (3.4%), and frail elderly in institutional settings (2.7%). Conclusions Latent class analysis was able to identify 10 persistently high-cost groups based on meaningful differences in health care spending, demographics, and clinical diagnoses. Key messages This taxonomy will inform the identification of interventions shown to improve care and reduce cost for each subgroup in addition to consultation with key stakeholders to identify and reflect on key barriers and facilitators to implementing identified interventions within the local context.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 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 ».