Notice bibliographique
Résumé
BACKGROUND: Between 2004 and 2019, the US hospital industry reversed the 21-year decline in its share of national health spending. OBJECTIVE: To measure and explain changes in hospital utilization, cost, charges, and inpatient case mix. DATA SOURCES: Principal sources were the American Hospital Association annual survey, the National Inpatient Sample, and the Healthcare Cost Reporting Information System. The study included all US community hospitals (n=5141 in 2019). ANALYTIC APPROACH: We used factor decomposition to separate the impacts of population, utilization, unit cost, and charge markups on the growth in cost and charges for inpatient and outpatient care nationwide and for each state. For unit cost, we separated the impacts of input price inflation and treatment intensity. To measure the inpatient case mix, we applied an all-patient diagnosis-related groups algorithm. RESULTS: Between 2004 and 2019, charges more than tripled to $4.11 trillion. The cost more than doubled to $911 billion. For inpatient care, discharges fell 5%, discharges per person fell 15%, cost per discharge increased 88%, and charge markups rose 43%. For outpatient care, visits rose 36%, visits per person rose 21%, cost per visit rose 119%, and charge markups rose 52%. Treatment intensity increased by 33% per discharge and 55% per visit. Nationwide, the inpatient case mix increased by 34%, reflecting sicker patients and better clinical documentation. CONCLUSIONS: We quantified 3 important trends: rapid growth in outpatient visits, increased treatment intensity, and sustained increases in markups. Increased treatment intensity was the largest factor behind $491 billion in hospital cost growth between 2004 and 2019.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».