MétaCan
Menu
Retour à la cohorte
Enregistrement W4410010091 · doi:10.1097/mlr.0000000000002161

Approaches to Identify Nursing Home Specialists Using Medicare Claims Data

2025· article· en· W4410010091 sur OpenAlexaff
Melissa R. Riester, Kira L. Ryskina, Elizabeth M. White, Kaleen N. Hayes, Daniel A. Harris, Andrew R. Zullo

Notice bibliographique

RevueMedical Care · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGeriatric Care and Nursing Homes
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Institute on Aging
Mots-clésNursingNursing homesMEDLINEMedicineFamily medicineData scienceComputer science

Résumé

récupéré en direct d'OpenAlex

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 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)0,061
score de la tête « metaresearch » (Gemma)0,177
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 enseignants0,061
Score d'incertitude au seuil0,324

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0610,177
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0270,016
Études des sciences et des technologies0,0010,001
Communication savante0,0050,003
Science ouverte0,0030,005
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,326
Tête enseignante GPT0,514
Écart entre enseignants0,188 · 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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical CareMême sujetGeriatric Care and Nursing HomesTravaux en français237 207