Health equity through CMS collaboration with startups and digital health innovations
Notice bibliographique
Résumé
As investment in digital health companies has slowed following unparalleled financing during the Covid-19 pandemic, the pressure on existing health technology companies to acquire customers and prove value has grown 1 . Given the predominance of employer-sponsored health insurance in the U.S., many health technology companies have focused their efforts on business-to-business (B2B) models in order to expand their services quickly rather than sticking to direct-to-consumer (D2C) models. However, many Americans are not insured by their employers—18.8% are insured by Medicaid, and 18.7% are covered by Medicare 2 . With a population of 92 million Medicaid and 65 million Medicare patients, the Medicaid and Medicare market has an annual market spend of $728B and $829B, respectively 3 . These patients typically have various complex healthcare barriers, such as lack of access to medications, challenges with health literacy, and difficulty with transportation. The myriad of inequities that these patients experience are areas that are often overlooked and, as such, are desperate for innovation.
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 | 0,011 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,011 | 0,008 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,032 | 0,029 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,043 | 0,020 |
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 ».