文献速递消化、代谢与肾脏急症

改进模型预测医疗保险支付:利用当日入院标识与单一诊断代码

Development and Testing of Improved Models to Predict Payment Using Centers for Medicare & Medicaid Services Claims Data.
PubMed 文献 · JAMA Netw Open · 2019-08-02
一句话结论利用当日入院(POA)标识、区分索引与历史诊断、使用单一ICD-9-CM代码可改善AMI、心衰和肺炎的30天支付预测模型。

本研究使用2013年7月1日至2015年9月30日Medicare按服务收费的住院数据,构建AMI、心衰和肺炎三个支付队列,比较CMS现行分组代码模型与使用POA代码、区分索引与历史诊断、使用单一诊断代码的改进模型。主要终点为模型拟合优度(伪R²和RMSE)。结果表明,综合三项改变后,患者水平模型的伪R²从AMI的0.077升至0.129,心衰从0.042升至0.129,肺炎从0.114升至0.237,RMSE也相应改善。改进模型在医院层面重新分类了部分医院,可能改善研究、基准比较和公共报告。

要点

  • 在AMI、心衰和肺炎的30天支付预测中,同时使用POA代码、区分索引与历史诊断、使用单一ICD-9-CM代码使伪R²分别从0.077、0.042、0.114升至0.129、0.129、0.237。
  • 单独加入POA代码对AMI模型效果不一致(伪R² 0.065 vs 0.077,RMSE 17414 vs 17235),但对心衰和肺炎有改善(心衰伪R² 0.048 vs 0.042,肺炎0.150 vs 0.114)。
  • 使用索引与历史诊断分开的HCC变量模型优于仅用索引诊断或合并诊断的模型(伪R²:AMI 0.114,心衰0.109,肺炎0.230)。
  • 基于单一ICD-9-CM代码的模型预测支付范围更宽,能更好识别支付谱两端患者,且校准度与CMS模型相似(预测比值接近1)。
  • 改进模型使部分医院支付绩效分类发生变化,AMI、心衰、肺炎的医院重新分类比例分别为10.6%、13.6%、29.9%。

适用人群与场景

  • 研究纳入2013年7月1日至2015年9月30日Medicare按服务收费的AMI、心衰和肺炎住院患者,年龄小于65岁者被排除,无地理排除;排除无完整12个月既往按服务收费入组记录的患者。
  • 研究场景为急性病医院住院,包括30天内死亡患者且支付数据不按比例折算。

研究设计与关键结果

  • 研究类型为比较效果研究,使用Medicare按服务收费行政索赔数据,共纳入1 943 049例住院,其中AMI 343 116例(52.5%男性,37.4%年龄≤74岁),心衰677 044例(45.5%男性,25.9%年龄≤74岁),肺炎922 889例(46.4%男性,28.2%年龄≤74岁)。
  • 30天平均支付:AMI为23 103美元(标准差18 221),心衰为16 365美元(标准差12 527),肺炎为17 097美元(标准差12 087)。
  • 综合三项改变后,患者水平模型的伪R²从AMI的0.077升至0.129,心衰从0.042升至0.129,肺炎从0.114升至0.237;RMSE也相应改善。
  • 使用单一ICD-9-CM代码的模型预测支付中位数:AMI为21 712美元(范围8 204-113 447),心衰为15 307美元(8 432-80 447),肺炎为16 207美元(5 402-59 155);CMS模型对应中位数分别为22 423美元(10 994-55 387)、15 805美元(12 612-36 766)、16 529美元(8 285-41 126)。
  • 医院层面风险标准化支付(RSP)均值(标准差):CMS模型AMI为23 105美元(1 589),单一代码模型为23 211美元(1 567);心衰CMS为16 294美元(1 309),单一代码模型为16 230美元(1 112);肺炎CMS为17 065美元(1 809),单一代码模型为17 057美元(1 616)。
  • 医院绩效分类比较(CMS模型 vs 单一代码模型):低于全国均值AMI 161家(7.4%) vs 227家(10.4%),心衰287家(8.8%) vs 320家(9.8%),肺炎713家(18.6%) vs 807家(21.1%);高于全国均值AMI 159家(7.3%) vs 131家(6.0%),心衰440家(13.5%) vs 330家(10.1%),肺炎683家(17.8%) vs 480家(12.5%)。
  • 医院重新分类比例:AMI 10.6%(232/2181),心衰13.6%(443/3265),肺炎29.9%(1145/3831);在三种疾病均有足够病例的2163家医院中,49.1%(1062家)至少一种疾病被重新分类。

证据类型、等级与局限

  • 证据类型为比较效果研究,使用Medicare行政索赔数据。
  • 局限:研究使用了最后一批ICD-9-CM代码队列,随着ICD-10-CM数据积累,需要在更多代码下开发和测试该方法;研究仅关注候选变量,未探索分析方法的变化;使用LASSO选择变量可能导致一些相关代码被剔除而降低预测能力;模型变量与许多临床风险分层方法不同;改进幅度的临床意义难以评估;原文未报告其他局限性。

对床旁实践的改变

  • 作者认为,利用POA代码、区分索引与历史诊断、使用单一诊断代码可改善支付模型,可能改善研究、基准比较、公共报告和基于人群项目的计算。
  • 原文未据此给出针对急诊或ICU床旁实践的具体推荐。

提炼说明

  • 原文未涉及「诊断标准与关键阈值」「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译10 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:JAMA Netw Open. 2019 Aug 14;2(8):e198406. doi: 10.1001/jamanetworkopen.2019.8406

引言

预测特定疾病或人群的支付费用对于研究、基准比较、公开报告以及基于人群的预算编制和支付项目计算至关重要。美国医疗保险和医疗补助服务中心(CMS)于2014-2015年开始公开报告与急性心肌梗死(AMI)、心力衰竭(HF)和肺炎相关的住院支付费用。这些支付指标计划于2021年成为医院价值导向购买项目的一部分。医疗保险优势计划使用类似的模型来计算支付费用。

当前CMS预测支付费用的模型将《国际疾病分类》第九版临床修订版(ICD-9-CM)诊断代码分为临床相关的类别,1,2但使用单一诊断代码而非分组代码可能会增强这些模型。3,4诊断代码的分组减少了候选变量的数量,但可能因将与非结局关系不同的代码合并在一起而降低模型的性能。使用单一代码而非疾病类别可能提供更好的风险特征描述。

自2014年起,索赔数据中包含了入院时存在(POA)代码。5 POA标识能够区分入院时存在的疾病与住院期间发生的疾病。当前模型有意排除可能为入院前存在的疾病或住院期间发生的疾病。例如,在实施POA标识之前,出血的次要代码可能代表入院前出血或住院期间作为医疗并发症发生的出血。由于这些代码无法区分住院期间发生的许多诊断与入院时存在的诊断,它们未被用作模型的候选变量。借助POA代码,可以确定该疾病不是住院期间的并发症,从而允许使用更多索引诊断,并有可能改善模型。6,7

我们进行了多项数据实验,以确定使用单一代码或POA标识以及考虑诊断代码的时间是否能够增强支付模型的性能。首先,我们检验了将分组代码与POA代码结合使用是否能改善模型的区分度和校准度。其次,我们考察了将索引入院索赔中编码的信息与索引入院前12个月内就医索赔中编码的信息分离为不同风险变量所带来的变化。第三,我们评估了使用排名最高的单一诊断代码替代分组代码作为风险变量所带来的变化。

方法

数据来源与研究样本

在这项比较效果研究中,根据公开报告的CMS支付措施,使用2013年7月1日至2015年9月30日的Medicare按服务付费行政索赔数据,构建了3个特定疾病支付队列(急性心肌梗死(AMI)、心力衰竭(HF)和肺炎)。耶鲁大学人类研究委员会(康涅狄格州纽黑文)审查了研究方案,并豁免了知情同意要求,因为该研究涉及的风险不超过最小风险,且若不豁免则无法实际开展。该研究遵循国际药物经济学与结果研究学会(ISPOR)报告指南。

排除了年龄小于65岁的患者,但未基于地理位置进行排除。作为结局指标,使用AMI、HF或肺炎指数入院后30天内的总支付费用,如前所述。11 在30天期间内死亡的患者被纳入,其支付数据未按比例折算。纳入了跨多个护理场所、服务和用品的支付费用,并对支付费用进行了标准化处理以消除地理和政策差异,11 并调整为2015年美元。标准化支付费用在99.5%处进行缩尾处理以减少离群值对模型预测的影响。为推导模型协变量,从指数索赔以及指数入院前12个月内的索赔(包括所有住院和门诊索赔)中识别候选风险变量。排除既往按服务付费注册时间不足完整12个月的患者。

模型修改

我们侧重于修改模型协变量,其余方面使用公开报告的CMS支付措施中的方法。12,13,14,15,16,17,18 我们对候选变量构建进行了3项序贯渐进式修改,并与现有模型比较评估其对模型性能的影响。基础模型使用目前用于AMI、HF和肺炎支付模型风险调整的相同修改版疾病类别来构建,以捕捉患者层面的合并症。修改版疾病类别候选变量使用2016年第22版分层疾病类别(HCCs)并加以修改来构建。19

这些模型旨在调整入院时或入院前患者的人口学因素和合并症。由于CMS支付模型是在医院一致使用入院时存在(POA)编码之前开发的,模型使用经临床审查的算法来排除仅在指数住院期间出现(既往12个月内未出现)且可能为该住院期间护理并发症的诊断。第一项渐进式修改是纳入POA指标,以纳入入院时存在的疾病并排除住院期间发生的并发症。具体而言,我们纳入了POA指标为“是”或“缺失”的指数次要诊断编码,且该编码在修改版POA豁免列表上。详情见 supplement 中的 eAppendix。

基于POA模型,我们使用索引住院和历史诊断以单独及组合变量的方式,为所有2016年版第22版HCC构建了风险变量,并将这些变量以3种不同方式组合:(1)仅使用索引住院的诊断,(2)合并索引住院和历史住院的主要及次要诊断,(3)针对索引住院和历史住院的主要及次要诊断分别创建第22版变量,假设基于诊断作出时间的不同效应。此外,对HCC组进行了拆分,并将单独的历史和索引个体ICD-9-CM诊断代码作为候选变量考虑。对于这些个体代码模型,代码限于频率大于0.5%者。对于所有模型,年龄作为分类变量纳入(≤74岁、75–84岁和≥85岁),如当前支付模型中所规定。

统计分析

我们对AMI、HF和肺炎保留了当前CMS模型中实施的广义线性模型(GLM)方法。20对于AMI,模型使用逆高斯分布和对数连接函数。对于HF,模型使用Gamma分布和对数连接函数;对于肺炎,模型使用Gamma分布和恒等连接函数。

使用最小绝对收缩和选择算子(LASSO)方法对使用个体ICD-9-CM代码的模型进行变量选择。为计算可行性,我们选择变量数不超过200个的模型,且所有最终变量需要在GLM中具有P < .005的显著性。我们使用5折交叉验证来控制模型过拟合,在80%的队列上进行变量选择和训练GLM,并在剩余20%上进行测试。使用均方根误差(RMSE)和McFadden伪R2比较模型的拟合优度。21 RMSE是样本外预测误差,应尽可能接近0。伪R2衡量拟合模型相对于无协变量的零模型的改善程度。与最小二乘分析中遇到的R2一样,该量值介于0和1之间,并随模型改善而增大。

为比较不同模型的校准度,我们计算了当前CMS模型和最佳基于个体ICD-9-CM代码的模型的预测比,定义为按预测支付十分位数分组的平均预测支付与平均实际支付之比。对于校准良好的模型,这些比值应接近1。补充材料中的e表1-3包含了额外的比较以及各模型所选前位ICD-9-CM代码的列表。

我们还使用了CMS方法,通过分层GLM计算风险标准化支付(RSP),该方法对患者入院时的状况进行风险调整,并试图分离出反映医院层面实践模式的支付变异。8,9 RSP计算为预测支付除以期望支付再乘以每种状况的全国平均支付。我们使用2000次迭代的 bootstrap 法来推导RSP的95% CI。病例数至少为25例的医院被进一步分为3个绩效类别:低于、无差异于或高于全国平均支付。例如,如果一家医院的RSP其95% CI下限大于全国均值,则被归类为高于全国均值。我们比较了每个类别中的医院数量,并评估了使用不同模型时医院绩效类别是否发生偏移。

所有GLM相关分析均在R版本3.4.3(R Core Team)中使用基础Stats包完成。LASSO分析使用R中的H2O库和Matlab版本2017b(MathWorks)中的lassoglm实现。所有医院层面分析均使用SAS版本9.4(SAS Institute Inc)完成。

结果

队列描述

AMI、HF和肺炎队列见表1。在1 943 049例总入院中,343 116例为AMI(52.5%男性;37.4%年龄≤74岁;86.8%白人),677 044例为HF(45.5%男性;25.9%年龄≤74岁;83.9%白人),922 889例为肺炎(46.4%男性;28.2%年龄≤74岁;87.1%白人)。30天支付均值(SD)为AMI $23 103($18 221),HF $16 365($12 527),肺炎 $17 097($12 087)。

表1. 急性心肌梗死、心力衰竭和肺炎索引入院队列描述a 查看原表 ↗

患者层面30天支付模型的性能

表2显示了AMI、HF和肺炎队列患者层面模型增量变化的伪R2和RMSE。CMS基础模型对AMI、HF和肺炎测量的伪R2分别为0.077、0.042和0.114。在CMS模型中纳入POA指标对模型拟合优度产生了混合效应。包含POA编码的AMI模型与当前CMS公开报告的措施相比性能更差,产生较低的伪R2(0.065 vs 0.077)和较高的RMSE(17 414 vs 17 235),但HF和肺炎模型性能更好,具有较高的伪R2(HF:0.048 vs 0.042;肺炎:0.150 vs 0.114)和较低的RMSE(HF:11 423 vs 11 449;肺炎:11 256 vs 11 382)。

接下来的3个模型将全部201个HCC作为风险变量,每个模型以不同方式纳入历史和索引诊断的集合。对于所有3种测量,包含合并病史和索引诊断的HCC模型(伪R2:AMI 0.084,HF 0.062,肺炎0.170)性能低于仅包含索引诊断的模型(伪R2:AMI 0.107,HF 0.102,肺炎0.215);索引和病史HCC分别作为独立变量的模型性能最佳(伪R2:AMI 0.114,HF 0.109,肺炎0.230)。RMSE值在比较不同模型时表明了相似的性能变化。

将个体ICD-9-CM编码作为风险变量而非疾病类别纳入模型,进一步改善了模型性能。性能最佳的模型同时使用了索引住院和历史住院数据,其中个体ICD-9-CM编码由LASSO在频率大于0.5%的编码中筛选(伪R2,急性心肌梗死(AMI)为0.129,心力衰竭(HF)为0.129,肺炎为0.237)。3项指标的均方根误差(RMSE)均有改善。

表3比较了CMS模型和个体编码模型的预测比。在所有情况下,两个模型的预测比均接近1。对于AMI,CMS模型的预测比范围为0.93(第10十分位)至1.05(第5和第6十分位),个体编码模型为0.96(第8和第9十分位)至1.02(第3-6和第10十分位)。对于HF,CMS模型的预测比范围为0.99(第5-8十分位)至1.03(第1十分位),个体编码模型为0.95(第7十分位)至1.08(第1和第10十分位)。两个模型对肺炎的预测比范围相似,CMS模型为0.96(第5十分位)至1.07(第1十分位),个体编码模型为0.96(第4和第5十分位)至1.08(第1和第10十分位)。

图中显示了3个队列中患者预测支付的分布。与CMS模型相比,个体编码模型的预测支付范围更宽。具体而言,个体编码模型预测的中位支付额对于AMI为21 712美元(范围,8204-113 447美元),对于HF为15 307美元(8432-80 447美元),对于肺炎为16 207美元(5402-59 155美元),而CMS模型预测的中位支付额对于AMI为22 423美元(10 994-55 387美元),对于HF为15 805美元(12 612-36 766美元),对于肺炎为16 529美元(8285-41 126美元)。关于两个模型之间预测支付分布差异的更多细节见补充材料中的e表4-6,其中比较了模型的预测支付五分位数以及两种模型对患者的重新分类情况。我们发现,个体编码模型在全部3种疾病的底部五分位数中预测较低值,在顶部五分位数中预测较高值,同时保持相似的区分度和拟合优度。以AMI为例进行量化,尽管两个预测支付分布的中间五分位数具有相似的结局率,但个体编码模型底部五分位数的结局率比CMS模型低9.0%;个体编码模型顶部五分位数的结局率比CMS模型高5.4%。对于HF,底部五分位数低16.1%,顶部五分位数高12.2%;对于肺炎,相应变化分别为15.3%和10.8%。

表2. 当前患者层面CMS模型与逐步实施方案中所述变更的模型在AMI、HF和肺炎中的性能比较 查看原表 ↗
表3. 急性心肌梗死、心力衰竭和肺炎按预测支付十分位数分组的预测支付均值与实际支付均值之比 查看原表 ↗
图. 比较美国医疗保险和医疗补助服务中心(CMS)模型与个体国际疾病分类第九版临床修订编码模型对急性心肌梗死(AMI)、心力衰竭和肺炎30天支付指标的预测支付核密度图 查看原图 ↗

医院绩效比较

共有4001家医院为AMI队列提交了索赔数据,4378家为HF队列提交,4455家为肺炎队列提交;其中,AMI有2181家医院、HF有3265家医院、肺炎有3831家医院每种疾病至少有25例病例。使用个体ICD-9-CM编码的RSP分布与使用CMS模型的分布相比,变异相似或更小(表4)。CMS模型的平均(SD)RSP为23105美元(1589美元),而个体编码模型为23211美元(1567美元)。HF的平均(SD)RSP在CMS模型中为16294美元(1309美元),在个体编码模型中为16230美元(1112美元);肺炎在CMS模型中为17065美元(1809美元),在个体编码模型中为17057美元(1616美元)。个体医院RSP的平均(SE)差异,按CMS RSP减去个体ICD-9-CM编码RSP计算,AMI为106美元(16美元),HF为571美元(10美元),肺炎为8美元(19美元)。

使用CMS模型和个体编码模型被归类为支付与全国均值无差异的医院数量和比例相似(AMI为1861家[85.3%] vs 1823家[83.6%],HF为2538家[77.7%] vs 2615家[80.1%],肺炎为2435家[63.6%] vs 2544家[66.4%])(补充材料中的eTable 7)。与个体编码模型相比,使用CMS模型时,在全部3种疾病中被归类为支付低于全国均值的医院较少(AMI为161家[7.4%] vs 227家[10.4%],HF为287家[8.8%] vs 320家[9.8%],肺炎为713家[18.6%] vs 807家[21.1%])。然而,与个体编码模型相比,使用CMS模型时,处于高于全国支付类别的医院更多(AMI为159家[7.3%] vs 131家[6.0%],HF为440家[13.5%] vs 330家[10.1%],肺炎为683家[17.8%] vs 480家[12.5%])。与CMS模型相比,个体编码模型导致24家(AMI)、97家(HF)和285家(肺炎)医院从低于全国支付转为与全国支付无差异;73家(AMI)、163家(HF)和335家(肺炎)医院从高于全国支付转为与全国支付无差异;90家(AMI)、130家(HF)和365家(肺炎)医院从与全国支付无差异转为低于全国支付;45家(AMI)、53家(HF)和146家(肺炎)医院从与全国支付无差异转为高于全国支付。除肺炎的14家医院外,没有医院在低于全国支付和高于全国支付类别之间发生转移(补充材料中的eTable 8)。以百分比形式总结,医院重新分类率分别为10.6%(AMI为232/2181)、13.6%(HF为443/3265)和29.9%(肺炎为1145/3831)。此外,有2163家医院在全部3种疾病中均具有符合条件的入院数量,其中49.1%(1062/2163)至少对1种疾病被重新分类。

表4. 在至少有25例病例的医院中,按模型类型划分的急性心肌梗死、心力衰竭和肺炎的医院层面30天支付指标 查看原表 ↗

讨论

在本研究中,使用个体代码而非疾病类别、并利用新的POA(入院时存在)标记的Medicare受益人支付模型,优于基于分组诊断且未利用POA代码的模型。个体代码模型产生了更好的区分度、拟合优度和预测范围,校准度相似。这一改进在识别处于费用高端和低端的患者方面最为明显。此外,新模型在没有任何额外数据收集的情况下实现了这些改进,仅涉及将协变量纳入模型方式的改变。

数十年来,研究者和政策制定者使用诊断分组,基于临床合理性将不同的诊断代码组织成一小部分类别。其基本原理是依据诊疗模式对数据进行汇总。22 1989年,Ash及其同事23将诊断费用组方法引入健康维护组织的报销模型。他们对ICD-9-CM的3位代码进行聚合,创建了他们所称的数量可控、具有临床意义的亚组,用于实证分析。1996年,Ellis及其同事24表明,分层共存疾病模型比诊断费用组模型具有更强的解释力。他们从医院和医师诊断中识别出143个住院分组和432个分组。2000年,Pope及其同事1针对Medicare风险调整制作了诊断费用组HCC模型的迭代版本。在这一迭代中,分类系统经过进一步完善,使用了189个诊断分组并建立了代码层级。2015年,CMS利用这些疾病类别开发了一个模型,以支持美国各地医院风险标准化Medicare支付的公开报告。8,9,12 我们的研究结果表明,通过相对简单地改变候选变量,这些模型的预测性能仍有改进空间。

模型性能的改进是有意义的。例如,AMI患者的预测上限从55 387美元增至113 446美元。低端估计值从10 993美元降至8204美元。这一变化在所有模型中一致。该差异表明,新模型能够更好地识别处于支付谱两端的患者。我们还显示,相当数量的患者在新模型下具有不同的预测支付估计值,其中约5%从预测处于最低五分位变为最高五分位,另有5%从预测处于最高五分位变为最低五分位。

所有这些模型的一个关键考量是防止博弈行为。使用个体代码时,机构可能比使用分组代码时更容易专注于将高风险代码归属于患者群体。然而,也可以监测个体代码的变化并定期更新模型。随着诊断重要性的变化,模型可以进行调整。

这些发现具有意义。在一项探索性分析中,我们显示更好的模型改变了对一些医院的评估。许多被模型归类为优于或劣于全国平均支付的医院改变了类别,即使模型识别为与均值显著不同的总体百分比仅略有变化。推测是,表现更好的模型通过更好地考虑医院的病例组合,更恰当地识别了离群值。这一发现可能代表未来改进模型的机会。然而,还需要一些额外步骤,包括使用《国际疾病统计分类第十次修订本临床修改版》(ICD-10-CM)代码对该方法进行测试。此外,该方法与目前用于计算Medicare Advantage支付的模型相关。随着加入Medicare Advantage的受益人数量迅速增加,风险模型用于确定支付的重要性正在增长。25 随着对人口健康的关注增加以及识别发生费用风险最高人群的需求增加,更好的模型也可能与卫生系统层面的规划相关。

局限性

本研究有几项局限性。研究使用了最后一个采用ICD-9-CM代码的队列,以拥有足够患者来开发和测试该方法。随着采用ICD-10-CM代码的更多数据积累,将需要在可用代码数量更大的情况下开发和测试该方法。尽管如此,这些数据实验揭示了改变我们基于索赔的风险调整方法的可能性。本研究还聚焦于候选变量,未探索分析方法的变化。尽管本可以使用更复杂的机器学习方法进行变量选择,但我们选择使用LASSO,因为其易于按照医院层面算法所需选择指定数量的代码,并避免多重共线性在分层GLM中可能引起的问题。19 使用LASSO时,一些相关代码可能因相关性而被剔除,并可能因此降低预测能力。尽管如此,我们在所有新模型中方法一致;因此,这不应使我们的评估产生偏倚。此外,这些模型中使用的变量不同于许多基于临床的风险分层方法中使用的变量。本研究具体涉及基于索赔的候选变量的使用。目前,我们缺乏全国范围内更详细的临床信息,因此只有这些数据可常规供CMS使用。在测试不同方法时,我们限制自己使用 current CMS模型中使用的相同变量。改善幅度的重要性难以置于背景中理解。我们显示新模型在预测分布尾部方面更好。鉴于生成估计值没有边际成本,这些改善似乎是值得的。

结论

总之,我们引入了一种新的方法来对Medicare受益人的支付进行建模。我们在保持源数据、诊断和分析方法不变的情况下,测试了候选变量使用的各种方法。我们表明,通过使用个体代码、利用POA标识以及将索引代码与历史代码分离,我们可以提高模型的性能。这些发现为改进研究、绩效评估和支付判定开辟了可能性,途径是改进病例组合的特征描述,以及通过更好地识别发生高成本高风险个体来改善人群健康。

参考来源

  1. Krumholz HM, Warner F, Coppi A, et al. Development and Testing of Improved Models to Predict Payment Using Centers for Medicare & Medicaid Services Claims Data. JAMA Netw Open. 2019. PMID: 31411709. doi:10.1001/jamanetworkopen.2019.8406
  2. 全文:PMC6694388(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6694388/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。