An inventory of policy levers to reduce low value care: Results of a rapid scoping review
Notice bibliographique
Résumé
BACKGROUND: The continued use of low-value health care consumes system resources and creates unnecessary risk. There are numerous policy levers available to improve appropriateness of care, but a supporting tool is needed to allow for characteristic and evidence comparison. OBJECTIVE: Develop an inventory which catalogues policy levers which support the reduction of low-value care, alongside their effectiveness evidence and implementation factors. METHODS: Information on relevant levers was identified through searches in Medline, Cochrane Library, and Google Scholar, with additional targeted searches. An Excel-based inventory was developed with a list of levers, their descriptions, effectiveness outcomes, and implementation considerations. Filters were developed to help identify levers based on key characteristics. The inventory was refined through presentations to and feedback from key stakeholders. RESULTS: The inventory includes 53 levers which may influence clinician or patient behaviour, service provision, fiscal policies, and populations or organizations. Levers were often used across a variety of settings, care providers, and clinical indications, though some levers addressed specific low-value care contexts. Fiscal policy levers or those influencing service provision were more restrictive, while clinician and patient behaviour levers and those aimed at populations or organizations were less restrictive. Evidence was identified for 40 levers, with 9 levers considered high impact (> 5 % change to behaviour, utilization, or cost) or consistently supported (> 10 studies, the majority reporting desired effects). CONCLUSION: This inventory can support health systems in addressing low-value care, through the ability to compare policy levers and select those applicable to the particular context.
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 | 0,009 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».