Risk Adjustment in Capitation Payments to Primary Care Providers
Notice bibliographique
Résumé
BACKGROUND: One of the critical challenges with capitation payment to primary care providers is ensuring that the fixed payments are equitable and adjusted for expected care needs. Patients of lower socioeconomic status (SES) generally have higher health care need. Sweden developed a Care Needs Index, which is used in the capitation payments to primary care providers to account for patient SES. OBJECTIVES: We aim to examine the potential value of collecting individual-level rather than geographic-level socioeconomic data to support an equitable payment to primary care providers. RESEARCH DESIGN: We used data from 3 regional administrative care registers, which cover all consultations in publicly funded health care, and Statistics Sweden's registers covering individual background characteristics. We estimated linear regression models and evaluated the model fit using the adjusted R2 with the Care Needs Index at the individual and at the district level. The population consisted of the 3,490,943 individuals residing in the 3 study regions for whom we had complete data. MEASURES: The main outcome variable was the number of face-to-face consultations with a GP or a nurse at a primary care practice. We use the R2 to compare the predictive power of the models. RESULTS: The share of the variation explained did not depend on whether the Care Needs Index was measured at the individual level or the small area level. CONCLUSIONS: SES explains very little variation in primary care visits, and there is no gain from having individual-level information about the individual's SES compared with having district-level information only.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».