Primary care payment models and avoidable hospitalizations in Ontario, Canada: A multivalued treatment effects analysis
Notice bibliographique
Résumé
Improving access to primary care physicians' services may help reduce hospitalizations due to Ambulatory Care Sensitive Conditions (ACSCs). Ontario, Canada's most populous province, introduced blended payment models for primary care physicians in the early- to mid-2000s to increase access to primary care, preventive care, and better chronic disease management. We study the impact of payment models on avoidable hospitalizations due to two incentivized ACSCs (diabetes and congestive heart failure) and two non-incentivized ACSCs (angina and asthma). The data for our study came from health administrative data on practicing primary care physicians in Ontario between 2006 and 2015. We employ a two-stage estimation strategy on a balanced panel of 3710 primary care physicians (1158 blended-fee-for-service (FFS), 1388 blended-capitation models, and 1164 interprofessional team-based practices). First, we account for the differences in physician practices using a generalized propensity score based on a multinomial logit regression model, corresponding to three primary care payment models. Second, we use fractional regression models to estimate the average treatment effects on the treated outcome (i.e., avoidable hospitalizations). The capitation-based model sometimes increases avoidable hospitalizations due to angina (by 7 per 100,000 patients) and congestive heart failure (40 per 100,000) relative to the blended-FFS-based model. Switching capitation physicians into interprofessional teams mitigates this effect, reducing avoidable hospitalizations from congestive heart failure by 30 per 100,000 patients and suggesting better access to primary care and chronic disease management in team-based practices.
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) | 0,001 | 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 ».