MétaCan
Menu
Retour à la cohorte
Enregistrement W4408978653 · doi:10.2196/63841

An Informatics-Based, Payer-Led, Low-Intensity Multichannel Educational Campaign Designed to Decrease Postdischarge Utilization for Medicare Advantage Members: Retrospective Evaluation

2025· article· en· W4408978653 sur OpenAlexvenueno aff
Danica Fernandes, Elise Kokonas, Jai Bansal, Ken Hayashima, Brian Hurley, Annabel Ryu, Snehal Mhatre, Mohammed Ghori, Kelly Jean Thomas Craig, Amanda L. Zaleski, Lily Vogel, Alena Baquet-Simpson, Daniel Reif

Notice bibliographique

RevueJMIR Human Factors · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueHeart Failure Treatment and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicinePsychological interventionMedicaidInformaticsHealth informaticsOutreachEmergency departmentMedical emergencyHealth careNursingFamily medicinePublic health

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Readmission avoidance initiatives have been a priority for the Centers for Medicare & Medicaid Services for over a decade; however, interventions are often high-intensity, costly, and resource-intensive, and therefore, rarely scalable or sustainable. Large national payors are in a unique position to leverage data to identify members in real-time who are at high-risk of readmission to prioritize the scaled delivery of tailored behavior change techniques to provide an educational intervention to modify health behaviors. OBJECTIVE: To examine the impact of an informatics-driven, multichannel educational messaging campaign implemented to decrease 30- and 90-day acute inpatient readmissions and emergency department (ED) visits among Medicare Advantage members of a large national payor. METHODS: A quality improvement initiative was designed and implemented to provide an evidence-based outreach campaign using human-centered design and behavior change principles to deliver multiple intervention functions, including timely, contextual, and relevant delivery of education, enablement, and persuasion, to reinforce health promoting behaviors related to planned or unplanned inpatient admissions. Outcomes including 30- and 90-day acute inpatient readmissions and ED visits were retrospectively evaluated from Medicare Advantage members enrolled in a large national health plan residing across the United States between May 2020 and July 2022. Leveraging utilization management data, rules-based logic identified members (N=368,393) with a planned acute inpatient procedure (i.e., pre-admission) or discharged from an acute hospital stay (i.e., post-discharge) within 15 days. Members were sequentially assigned to a standard (N=141,223) or an enhanced (N=227,470) messaging group, whereby the standard group received usual outreach and the enhanced group received an educational intervention via a messaging campaign deployed through multiple low-intensity communication channels (e.g., text message, email, direct mail) in addition to standard outreach. RESULTS: Members who received enhanced outreach had fewer relative 30-day acute inpatient readmissions (-4.1%, 95% CI: -5.5 to -2.7 %; P<.001) and ED visits (-3.4%, 95% CI: -5.0 to -1.7%; P<.001) compared to members receiving standard outreach. Similarly, these findings persisted for relative 90-day outcomes such that members receiving enhanced outreach experienced fewer acute inpatient readmissions (-5.4%, 95% CI: -6.5 to -4.3%; P<.001) and ED visits (-3.8%, 95% CI: -5.0 to -2.5%; P<.001) compared to members receiving standard outreach messaging. CONCLUSIONS: Behavior change techniques deployed via educational interventions as low-intensity multi-channel outreach is an effective strategy to reduce avoidable 30- and 90-day inpatient readmissions and ED visits in recently discharged Medicare Advantage members (primarily >65 years).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,011
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,382
Écart entre enseignants0,348 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Human FactorsMême sujetHeart Failure Treatment and ManagementTravaux en français237 207