The Medical Costs of Determining Eligibility and Waiting for a Kidney Transplantation
Notice bibliographique
Résumé
BACKGROUND: Recent efforts to increase access to kidney transplant (KTx) in the United States include increasing referrals to transplant programs, leading to more pretransplant services. Transplant programs reconcile the costs of these services through the Organ Acquisition Cost Center (OACC). OBJECTIVE: The aim of this study was to determine the costs associated with pretransplant services by applying microeconomic methods to OACC costs reported by transplant hospitals. RESEARCH DESIGN, SUBJECTS, AND MEASURES: For all US adult kidney transplant hospitals from 2013 through 2018 (n=193), we crosslinked the total OACC costs (at the hospital-fiscal year level) to proxy measures of volumes of pretransplant services. We used a multiple-output cost function, regressing total OACC costs against proxy measures for volumes of pretransplant services and adjusting for patient characteristics, to calculate the marginal cost of each pretransplant service. RESULTS: Over 1015 adult hospital-years, median OACC costs attributable to the pretransplant services were $5 million. Marginal costs for the pretransplant services were: initial transplant evaluation, $9k per waitlist addition; waitlist management, $2k per patient-year on the waitlist; deceased donor offer management, $1k per offer; living donor evaluation, procurement and follow-up: $26k per living donor. Longer time on dialysis among patients added to the waitlist was associated with higher OACC costs at the transplant hospital. CONCLUSIONS: To achieve the policy goals of more access to KTx, sufficient funding is needed to support the increase in volume of pretransplant services. Future studies should assess the relative value of each service and explore ways to enhance efficiency.
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 | 0,001 |
| 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 ».