Chronic kidney disease and <scp>value‐based</scp> care: Lessons from innovation, iteration, and ideation in primary care
Notice bibliographique
Résumé
Value-based primary care has reduced health care costs, improved the quality of rendered care, and enhanced the patient experience. Value-based care emphasizes prevention, outreach, follow-up, patient engagement, and comprehensive, whole-person health. Primary care Accountable Care Organizations have leveraged technology-enabled workflows, practice transformation, and cutting-edge data and analytics to achieve success. These efforts are increasingly aided by predictive modeling used in the context of patient identification and prioritization algorithms. Value-based kidney care programs can glean salient takeaways from successful value-based primary care methods and models. The kidney care community is experiencing unprecedented transformation as novel payer programs and financial models burgeon. The authors contend these efforts can be accelerated by the adoption of techniques honed in value-based primary care. To optimize value-based kidney care, though, nephrology thought leaders must transcend the archetype of value-based primary care. To do so, the nephrology community must: (1) impel behavioral change among fee-for-service adherents; (2) harness emerging policy, guidelines, and quality measures; (3) adopt innovative tools, technologies, and therapies. In aggregating lessons from value-based primary care-and leveraging novel methodologies and approaches-the kidney care community will be better equipped to achieve the quadruple aim for kidney care.
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 | 0,018 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,031 |
| Communication savante | 0,013 | 0,012 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,011 |
| 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 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 ».