A methodology for identifying high‐need, high‐cost patient personas for international comparisons
Notice bibliographique
Résumé
OBJECTIVE: To establish a methodological approach to compare two high-need, high-cost (HNHC) patient personas internationally. DATA SOURCES: Linked individual-level administrative data from the inpatient and outpatient sectors compiled by the International Collaborative on Costs, Outcomes, and Needs in Care (ICCONIC) across 11 countries: Australia, Canada, England, France, Germany, the Netherlands, New Zealand, Spain, Sweden, Switzerland, and the United States. STUDY DESIGN: We outline a methodological approach to identify HNHC patient types for international comparisons that reflect complex, priority populations defined by the National Academy of Medicine. We define two patient profiles using accessible patient-level datasets linked across different domains of care-hospital care, primary care, outpatient specialty care, post-acute rehabilitative care, long-term care, home-health care, and outpatient drugs. The personas include a frail older adult with a hip fracture with subsequent hip replacement and an older person with complex multimorbidity, including heart failure and diabetes. We demonstrate their comparability by examining the characteristics and clinical diagnoses captured across countries. DATA COLLECTION/EXTRACTION METHODS: Data collected by ICCONIC partners. PRINCIPAL FINDINGS: Across 11 countries, the identification of HNHC patient personas was feasible to examine variations in healthcare utilization, spending, and patient outcomes. The ability of countries to examine linked, individual-level data varied, with the Netherlands, Canada, and Germany able to comprehensively examine care across all seven domains, whereas other countries such as England, Switzerland, and New Zealand were more limited. All countries were able to identify a hip fracture persona and a heart failure persona. Patient characteristics were reassuringly similar across countries. CONCLUSION: Although there are cross-country differences in the availability and structure of data sources, countries had the ability to effectively identify comparable HNHC personas for international study. This work serves as the methodological paper for six accompanying papers examining differences in spending, utilization, and outcomes for these personas across countries.
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 | 0,259 | 0,409 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,011 | 0,016 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».