The effect of an incentive billing code on heart failure management in primary care: a population-based study
Notice bibliographique
Résumé
Background: To support family physicians (FPs) in managing patients with heart failure (HF), the Ministry of Health in Ontario, Canada, implemented the Q050 billing code in 2008, a pay-for-performance (P4P) incentive for guideline-based HF care. We studied whether the incentive was associated with any change in process-of-care measure, particularly the prescriptions of HF medications. Methods: We identified all patients with HF in Ontario of age>65, who were managed by FPs claiming the Q050 incentive between 2008 and 2021. We counted the number of patients who were prescribed renin-angiotensin system inhibitors (RASi), beta-blockers (BB), mineralocorticoid receptor antagonists (MRA), and diuretics three months before and after the Q050 billing code was claimed for these patients. Where applicable, we classified the agents within each class by whether they are guideline-directed as recommended by the Canadian Cardiovascular Society (CCS). Results: We included 39,425 HF patients in the study. The median age was 80 (IQR 73-85) years; 49% were female. Half were assessed by an internist or cardiologist during the six months before their HF diagnosis. Compared to pre-Q050, there was an increase in RASi prescriptions from 42.5% to 45.8%, BB from 51.9% to 54.4%, MRA from 9.2% to 11.7%, and diuretics from 63.2% to 65.7% after the incentive (p<0.05). There was a decrease in those not on any HF medications from 27.5% to 24.9% (p<0.001). Those with newly diagnosed HF and prompt follow-up with FPs experienced the largest but clinically modest increase in HF medications. Conclusions: To our knowledge, this is the first evaluation of process-of-care measures related to a pay-for-performance program in primary care HF management. The Q050 incentive led to a minimal increase in the prescription of HF medications; there is underutilization of disease-modifying agents. Further research is needed to understand why pay-for-performance programs had no effect on physician prescribing behaviours.
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».