Approaches to Identify Nursing Home Specialists Using Medicare Claims Data
Notice bibliographique
Résumé
BACKGROUND: Physicians and advanced practice clinicians who practice in nursing homes (NHs) are becoming increasingly specialized. Studies have identified clinicians as NH specialists using multiple data sources; yet, researchers' access to several sources may be limited due to required data purchases. OBJECTIVE: Examine the concordance of 2 approaches to measure NH specialization versus a standard approach using clinician-level Medicare Data on Provider Practice and Specialty (MD-PPAS). These alternative approaches leveraged: (1) publicly available clinician-level Medicare Part B data; and (2) patient-level Medicare Part D Event claims linked to publicly available clinician-level Medicare Part D prescribers data. RESEARCH DESIGN: Yearly cross-sections from 2016 to 2020. SUBJECTS: Physicians and advanced practice clinicians with at least one Medicare-paid service to NH residents and at least 100 total services in a given year. MEASURES: Nursing home specialists were classified as clinicians with ≥90% of annual services provided to NH residents. RESULTS: Between 2016 and 2020, NH specialists comprised 49,542 of 321,267 eligible clinician-years (15.4%) in MD-PPAS data; 35,983 of 189,992 eligible clinician-years (18.9%) in Part B data; and 31,148 of 1,101,484 eligible clinician-years (2.8%) in Part D data. Compared with the MD-PPAS approach, the concordance was greater for the Part B approach (sensitivity 71.8%, specificity 99.7%) than the Part D approach (39.4%, 97.6%). CONCLUSIONS: There were large differences in the numbers of eligible clinicians and NH specialists identified by 3 approaches. The Part B approach was reasonably concordant with the MD-PPAS approach and could be considered by researchers without the financial resources required to purchase MD-PPAS data.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».