Incentivizing co-occurring disorder diagnoses through blended payments
Notice bibliographique
Résumé
BACKGROUND: Treatments for mental health and substance use problems have historically been unintegrated, limiting co-occurring disorders treatment. Blending discrete payment models is one potential facilitator of integrated care. This study assesses the impact of one blended payment strategy on the diagnosis of co-occurring disorders in a community mental health system. METHODS: Electronic health record data for 19373 individuals, with 173889 observations from January 2017 through December 2019 was analyzed for this study. Multilevel growth modelling was used for data analysis. A binary dependent variable represented whether a service user held diagnoses of co-occurring disorders within a month. Fixed effects included time variables and a variable representing blended payment initiation as well as race, gender, age, and payor. Service user and agency variables were modeled as random effects. FINDINGS: Blended capitated and fee-for-service payments were found to increase the odds of service users receiving co-occurring diagnoses. People of color had lower odds of receiving a co-occurring diagnosis, although this effect did not hold in an analysis of rural agencies. Service users receiving care in unintegrated agencies had higher odds of receiving co-occurring diagnoses. CONCLUSION: This study is one of the first to assess the impacts of a blended payment model on behavioral health access. Blended payment models can incentivize behavioral health providers and systems to identify complex diagnoses that may go unrecognized in routine care.
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 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,003 |
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 ».