How much do hospital staff know, how much do they care, and what should they know about economic aspects of Diagnosis Related Groups? The case of an Italian children’s hospital
Notice bibliographique
Résumé
Background: Diagnosis Related Group (DRG) costing enables more efficient therapeutic choices. For this to occur, staff must be aware of the costs of the resources used in the process.Objective: The paper aims to identify potential information gaps of physicians, nurses, and administrative staff regarding economic aspects. It explores the intersection of financial awareness and the perceived importance of economic factors to evaluate the information deficiencies across these professional groups.Methods: The costs of DRG 546 different phases are estimated. Data on economic factors awareness (EFA) and economic factors importance (EFI) are gathered through a questionnaire. The survey involved 61 Italian employees of an Italian children’s hospital among physicians, nurses, and administrative staff.Results: A trade-off emerges between the scarce knowledge of the DRG economic aspects and their importance for physicians and nurses. Awareness of economic aspects does not depend on years of seniority.Conclusions: Economic factors awareness is low, although the staff considers this issue important. An information gap needs to be addressed. Clinical staff are partially aware of the costs of the activities in which they are directly involved, but they are unaware of other economic aspects of the therapeutic process. Nurses are the professional group with the lowest cost awareness. Different professional groups require different financial information. Physicians and nurses should be aware of relevant costs and the cost of activities with negligible impact on patient outcomes.Potential implications: Administrative offices often do not know what economic data could be helpful in the physicians’ or nurses’ decisions. In addition, medical and nursing staff do not know precisely what information to ask for. Workgroups composed of administrative and healthcare staff should define what relevant financial data should be provided and how.
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 | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,004 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».