تجمع تشخیصی بیمارستان و کیفیت تنظیم شده با ریسک

آدرس مکاتبات به Chun Lok Kris Li، Ph. D. اقتصاد، سطح 5، ساختمان دانشکده تجارت و اقتصاد، خیابان بری 111، دانشگاه ملبورن، ویکتوریا 3010، استرالیا. ایمیل: ua. ude. bleminu. tneduts@illc; moc. puorganihcwqs@ilsirk.

حق چاپ © سلامت پژوهشی و آموزشی اعتماد

داده های مرتبط

جدول S1. مروری بر MDCها در VAED، 1999/2000 تا 2004/2005.

جدول S2. نقشه برداری VAED از تجمعات AR-DRG به MDCها، 1999/2000 تا 2004/2005.

راهنمای: FA2EAFAD-C646-4D8D-B30F-54D30BA36C98

خلاصه

هدف، واقعگرایانه

برای نشان دادن اهمیت تجمیع تشخیصی هنگام ارزیابی بیمارستان ها.

منابع اطلاعات

داده های بیمار از پایگاه داده اپیزودهای پذیرفته شده ویکتوریا (VAED)، 1999/2000 تا 2004/2005. صورت های مالی از بیمارستان های دولتی، 2002/2003 تا 2004/2005.

طراحی مطالعه

کیفیت تنظیم شده با ریسک برای هر بیمارستان با استفاده از دو سطح تجمع محاسبه شد. سپس از هر کدام برای تخمین رابطه بین کارایی و کیفیت بیمارستان با استفاده از مدل دو مرحله ای DEA/Tobit توسط ویلسون و سیمار (2006) استفاده می شود.

جمع آوری داده ها

متغیرهای منتخب از VAED از وزارت بهداشت ویکتوریا به دست آمدند، سپس به صورت ناشناس با صورت های مالی مرتبط شدند.

یافته های اصلی

کیفیت بیمارستان و در برخی موارد رابطه آن با کارایی بسته به تجمیع متفاوت است.

نتیجه گیری

تنظیم خطر بیمار باید با استفاده از بیش از یک سطح تجمعی در صورت امکان انجام شود.

واژه های کلیدی: تنظیم ریسک، تجمع تشخیصی، کیفیت بیمارستان

معیارهای کیفیت تنظیم شده با ریسک اغلب در تنظیمات تجربی استفاده می شود. برای انجام این کار، بیماران در مجموعه های تشخیصی گروه بندی می شوند، زیرا تعداد بسیار زیادی وجود دارد که نمی توان آنها را به صورت جداگانه در نظر گرفت. هدف این مطالعه نشان دادن اهمیت انتخاب روش تجمیع در زمینه تعدیل ریسک برای تحلیل تجربی است. این امر ضروری است زیرا در ادبیات بحث در مورد چگونگی تأثیر تجمیع بر برآوردهای کیفیت وجود ندارد.

یکی از اولین نمونه های شناخته شده ، بحث در مورد چگونگی واحد اندازه گیری زمان می تواند اقدامات بروز بسیار متفاوتی را انجام دهد (فار 1838). آنچه باعث جالب آن می شود ، اهمیت مطالعه فار حتی بعد از تمام سال ها ، به همراه هواداران آن (Vandenbroucke و Vandenbroucke-Grauls 1996) و redractors (Iezzoni 1996) درک می شود. اخیراً ، به نظر می رسد سطح علاقه به روشهای آماری برای محاسبه آنها کاهش یافته است (گروس و همکاران 1996) ، در عوض تصمیم به استفاده از ابزارهایی که در سایر رشته ها توسعه یافته است استفاده می کنند.

برای تنظیم خطر ، بیماران برای تجزیه و تحلیل آماری باید جمع شوند ، اما این مرحله به ندرت مورد بحث قرار می گیرد. یک نمونه مشهور که در آن صریح تر ذکر شده است ، مطالعه ای است که تفاوت در تعاریف جمع آوری بیمار بین سوابق مربوط به امور جانبازان و سیستم Medicare را مقایسه می کند ، که هر دو مجموعه داده هایی هستند که معمولاً در ایالات متحده مورد استفاده قرار می گیرند (Burgess ETآل. 2011). اما حتی در آنجا ، اهمیت تجمع در زمینه تنظیم ریسک ذکر نشده است.

یک نمونه دیگر از انگیزه از اهمیت تجمع ناشی از مقاله ای است که در مورد تغییر سیاست مورد بررسی قرار می گیرد که خواستار افزایش شفافیت در آمار کیفیت بیمارستان است (Dranove et al. 2003). هدف آنها اندازه گیری تأثیر افزایش شفافیت در انتخاب پزشک و بیمار بود ، با این نگرانی که بیماران دشوار توسط بیمارستان ها از بین می روند زیرا پذیرش آنها ممکن است تأثیر منفی بر کارت گزارش بیمارستان خود داشته باشد. روش ارزیابی عملکرد یک مسئله ثانویه است.

با این حال ، خوانندگان ممکن است تعجب کنند که آیا مکانیسم تنظیم ریسک در پشت اندازه گیری کیفیت به اندازه کافی برای تفاوت در آرایش بیمار کنترل می شود. این سوال مهم است زیرا ، اگر اندازه گیری کیفیت برای بیمارستانهای معالجه بیماران بیمار عادلانه باشد ، ممکن است نسبت به پذیرش بیماران پرخطر حتی با افزایش شفافیت نسبت به پذیرش بیماران پرخطر کمتر باشد. بنابراین ، نوعی از بررسی استحکام برای تأیید صحت فرآیند تنظیم ریسک ، نتایج آن مطالعه را تقویت می کند. و اگر چنین بررسی های استحکام وجود داشته باشد ، قطعاً روش تجمع بررسی می شود ، زیرا یکی از مهمترین عوامل تنظیم خطر بیمار است.

از این رو ، ما معتقدیم که این یک محیط تجربی مناسب برای نشان دادن اهمیت تجمع است. بخش بعدی توضیح می دهد که چگونه این کار انجام می شود.

مواد و روش ها

تجزیه و تحلیل برای نشان دادن اهمیت تجمیع در دو مرحله طراحی شده است. ابتدا، معیارهای تنظیم شده با ریسک کیفیت بیمارستان را با استفاده از دو سطح تجمیع محاسبه کرده و تفاوت ها را با هم مقایسه می کنیم. دوم، ما این اقدامات را برای تخمین رابطه بین کیفیت و کارایی بیمارستان اعمال خواهیم کرد. تاکید بر مقایسه تفاوت های بین نتایج تخمینی تولید شده با استفاده از معیارهای کیفیت محاسبه شده تحت تجمیع های مختلف است. شرح داده در ادامه می آید.

معیار کیفیت تنظیم شده با ریسک: نسبت مرگ و میر استاندارد شده بیمارستانی (HSMR)

انتظار می رود بیمارستان هایی که بیماران بیمارتر دارند، میزان بروز بالاتری داشته باشند. ما می توانیم از نسبت استاندارد مرگ ومیر بیمارستانی (HSMR) استفاده کنیم، که می تواند برای هر نوع اپیزود اعمال شود، که مهم است زیرا هیچ روش توافق شده ای برای تخصیص هزینه های سربار بیمارستان برای هر قسمت وجود ندارد.

فرض کنید h و p به ترتیب، بیمارستان ها و پذیرش بیماران، h = 1، …، H و a = 1، …، A را نشان دهند. بیمار مرتبط با هر بستری با یک بردار خصوصیات جمعیت شناختی δ نشان داده می شود_{در هکتار}، با اثر حاشیه ای هر عنصر در δ_{در هکتار}با عنصر مربوطه در بردار λ نشان داده شده است. هر بار که بیمار بستری می شود، زنده مرخص می شود (D_{در هکتار}= 0) یا مرده (D_{در هکتار}= 1). احتمال مرگ برای پذیرش a در بیمارستان h با E (D_{در هکتار}). شکل عملکردی رگرسیون لجستیک به صورت زیر ارائه می شود:

برای سادگی فرض کنید که تعداد مورد انتظار مرگ و میر در یک بیمارستان مجموع احتمالات همه بیماران آن است. به صورت E (D_ساعت) به شرح زیر تعریف می شود:

تعریف HSMR برای هر بیمارستان به شرح زیر است:

هر بیمارستان یک تخمین HSMR برای هر سطح از تجمع خواهد داشت. هر چه HSMR بالاتر باشد، کیفیت بیمارستان بدتر است. در مجموع از سه سطح تجمیع به طور فزاینده تصفیه شده استفاده می شود که بعداً در توضیحات داده توضیح داده می شود. این تغییر در سطح تجمع در برآوردهای مختلف E (D_ساعت) و در نتیجه مقادیر HSMR.

ضعف اصلی HSMR این است که فقط مرگ و میر فوری بیمار را ضبط می کند ، بدون اینکه حوادثی را که در قسمت های بعدی رخ می دهد ناشی از کیفیت درمان زیر حد متوسط در قسمت قبلی باشد (بطری ، جارمن و آیلین 2011). اگر بیمار پس از معالجه در چندین مکان درگذشت (کان ، کرامر و روبنفلد 2007) ، سعی در مقصر دانستن بیمارستان ها نمی کند. و اگر یک روش پزشکی منجر به عوارضی شود که تحت یک کد ICD متفاوت طبقه بندی می شوند ، به عنوان یک قسمت جداگانه شمرده می شود و HSMR ممکن است از نظر مصنوعی پایین تر از آن باشد زیرا مخرج بزرگ می شود.

روابط بین کیفیت بیمارستان و کارآیی

علاوه بر مقایسه مستقیم ، از اقدامات کیفیت بیمارستان نیز به عنوان متغیرهایی برای پاسخ به سایر سؤالات تحقیق استفاده می شود. بنابراین ، اگر مقادیر برآورد شده متغیرهای کیفیت می توانند با روش تجمع تحت تأثیر قرار گیرند ، ممکن است آنها نیز در نتایج هرگونه تخمین بعدی تأثیر بگذارند. این مطالعه با استفاده از تنظیم معمولی یک مطالعه که رابطه بین کیفیت بیمارستان و کارآیی را تخمین می زند ، این امکان را بررسی می کند. هدف این است که نتایج را در روشهای گسترده تر و باریک تر و باریک تر مقایسه کنیم.

ما از یک مدل دو مرحله ای با تجزیه و تحلیل توسعه داده های مرحله اول (DEA) استفاده می کنیم و به دنبال آن یک رگرسیون مرحله دوم TOBIT که توسط راندمان کامل محدود شده است. این دو مجموعه از نتایج برای مطالعه با ما ، بهره وری فنی هر بیمارستان و عوامل منجر به آن نمرات کارآیی را به ما می دهد.

مرحله اول یک مدل مرزی DEA است که با استفاده از برنامه نویسی خطی ، که معمولاً در تحقیقات خدمات درمانی استفاده می شود ، حل می شود. جزئیات فرآیند تخمین را می توان در کتابهای درسی تحقیقاتی عملیات یافت (به عنوان مثال ، بانکدار ، چارنس و کوپر 1984 ؛ راماناتران و راماناتان 2003). ما از نمرات بازده ورودی متغیر و بازده متغیر با مشخصات BCC استفاده می کنیم (Chaes et al. 1994). در عمل ، تفاوت در مشخصات DEA به ندرت تغییرات قابل توجهی در نتایج ایجاد می کند (Golany and Yu 1997).

اقدامات کیفیت به عنوان متغیرهای ورودی معرفی می شود و این نشان دهنده تلاش اضافی برای بیمارستان ها برای بهبود خدمات است. به طور خاص ، منفی از رتبه HSMR گنجانده شده است زیرا هرچه امتیاز HSMR منفی کمتری باشد ، کیفیت بیمارستان نیز بهتر می شود. جزئیات خصوصیات تحلیلی مرتبط با رویکردهای مشابه در تجزیه و تحلیل مرزهای تنظیم شده با کیفیت در اکرمن و کوئلی (2013) موجود است.

تخمین های مرزی همچنین حاوی خطای آماری هستند ، اما این به طور طبیعی از DEA استفاده نمی کند زیرا قطعی است. این مطالعه با شبیه سازی توزیع DEA با استفاده از بوت استرپ ساده با نمونه های زیر ، موارد فوق را مورد بررسی قرار می دهد (ویلسون و سیمار 2006). به یاد بیاورید که در کل نمونه بیمارستان های H وجود دارد. برای هر بیمارستان ، 2،000 تغییر شکل بوت استرپ تولید می شود ، n = 1 ،… ، n. هر نمونه از بیمارستان حاوی بیمارستان های R است که با جایگزینی کشیده شده اند ، جایی که R کمتر از ساعت است. ما R را در یک سوم از اندازه نمونه تنظیم کردیم. نکته قابل توجه ، ویلسون و سیمار (2006) اظهار داشتند که R باید کمتر از H باشد ، اما هیچ توضیحی یا دستورالعمل برای انتخاب R داده نشده است.

مرحله دوم مربوط به عواملی است که مربوط به کارآیی فنی بیمارستان ها است. این با استفاده از یک رگرسیون تنظیم شده با بوت استرپ تنظیم شده توسط سیمار و ویلسون (2007) تخمین زده می شود. توجه داشته باشید که این روش با تبدیل [0 ، 1] به [1 ، ∞) به نمرات کارآیی نیاز دارد تا مشکل را از دو محدود به تک محدود کاهش دهد. برآورد نقطه و فواصل صدک BCA (Efron ، 1987) در بخش یافته ها ارائه شده است.

توضیحات داده ها: پایگاه داده اپیزودهای پذیرفته شده ویکتوریا

در این مطالعه از دو منبع داده استفاده می شود ، یک پایگاه داده پذیرش بیمار و لیستی از صورتهای مالی مونتاژ شده بیمارستان. داده های بیمار از پایگاه داده قسمتهای پذیرفته شده ویکتوریا (VAED) برای سالهای 1999-2004 استخراج می شوند. این شامل اطلاعات معمولی مانند جمعیتی بیمار و انواع بیماری است.

ما با استفاده از رگرسیون لجستیک ، از سن ، جنس ، جنس (چمبرز و کلارک 1990) و شاخص شارلسون مبتنی بر ICD-10 برای تنظیم ریسک استفاده می کنیم. هر تجمع به طور جداگانه تخمین زده می شود. نام بیمار و هویت بیمارستانهای خصوصی به دلایل محرمانه رمزگذاری می شود و امکان تکنیک های تخمین پانل را از بین می برد.

یکی از ویژگی های مفید این داده ها سلسله مراتب دو لایه جمع آوری است. گروه کوچکتر گروه مربوط به تشخیص (AR-DRG V5. 0) است که از این تعداد 648 DRG درج شده است و چند ورودی اداری را ترک می کند. این DRG ها بر اساس تعاریف VAED در طول دوره مطالعه ، به 23 دسته تشخیص عمده عمده (MDC) جمع می شوند.

منبع داده دیگر مورد نیاز برای برآورد راندمان بیمارستان ، هزینه های کار است. اینها از صورتهای مالی برای بیمارستان های عمومی ویکتوریا طی سالهای 2002-2004 استخراج می شود. داده ها در جدول 1 1 به بیمارستان های کلانشهر و روستایی از هم جدا می شوند.

میز 1

آمار خلاصه ای از منابع مالی بیمارستان و انواع بیماران

توجه: مشخصات آمار اساسی برای بیمارستان های نمونه VAED برای سالهای 2002-2004. نمونه به عنوان یک مقطع تحت درمان قرار می گیرد زیرا بیمارستان ها نمی توانند شناسایی شوند. این ممکن است منجر به دست کم گرفتن پراکندگی آماری در طول تجزیه و تحلیل تجربی شود و باعث شود بیمارستان های نمونه برداری شبیه به واقعیت باشند. کاهش تعداد بیمارستانهای روستایی در سال 2004 یک تغییر در سطح اداری است. در آن سال هیچ مرکز عمده خدمات روستایی تعطیل نشده است. مقادیر دلار برای تورم تنظیم نمی شود."کیفیت" به مقادیر HSMR اشاره دارد که به طور جداگانه با استفاده از دو سطح مختلف تجمع در مرحله تنظیم ریسک محاسبه می شوند. برای جزئیات بیشتر به بخش Methods مراجعه کنید.

در مرحله اول تجزیه و تحلیل برای برآورد کارآیی بیمارستان ، ورودی های صورتهای مالی به سه قیمت ورودی سرمایه (K) ، نیروی کار (L) و مواد (M) جمع می شوند. این در کل پنج متغیر در تخمین مرزی باقی می گذارد: سه نوع ورودی به دلار ، خروجی تعداد روزهای بیمار و کیفیت در مقادیر تخمین زده شده HSMR.

سپس بیمارستان ها بیشتر به دو نوع بیمارستان ، متروپولیتن و روستایی ، با طبقه بندی مستقیماً از وزارت بهداشت استرالیا جدا می شوند. این جدایی مرتبط است زیرا ویکتوریا تضاد روشنی بین مناطق شهری و روستایی دارد و منجر به نیازهای عملیاتی بسیار متفاوت و ترتیبات بودجه می شود (کمیسیون 2010). نتایج حاصل از کل مجموعه بیمارستان و از مجموعه های متروپولیتن/روستایی جدا شده ارائه می شود.

کیفیت یکی از پنج متغیر است که برای برآورد مرز استفاده می شود ، که توسط آمار HSMR هر بیمارستان اندازه گیری می شود. بخش تنظیم ریسک HSMR را می توان با استفاده از یکی از سه ردیف تجمع تخمین زد. یعنی برای هر لایه تجمع ، بیماران به تجمع مربوطه خود تقسیم می شوند. مرگ و میر مورد انتظار بیماران از هر تجمع با استفاده از رگرسیون لجستیک تخمین زده می شود. این سه نسخه از مرگ و میر مورد انتظار برای هر بیمار تولید می کند که هر یک به تخمین های مختلف HSMR برای بیمارستان ها می رسد. متغیرهای دیگر هر بار که تجزیه و تحلیل مرزی انجام می شود بدون تغییر باقی می مانند.

در مرحله دوم ، متغیرهای توضیحی مورد استفاده شامل اندازه گیری کیفیت ، شاخص محاسبه شده هرشم ن-هورفیندال (HHI) و یک متغیر ساختگی برای وضعیت آموزش بیمارستان است. کیفیت متغیر اصلی است و به طور پیش فرض گنجانده شده است. HHI یک معیار رایج در رقابت در بیمارستان است و معمولاً عامل مهمی برای کارآیی در نظر گرفته می شود. این مطالعه یک HHI تنظیم شده را مطابق با Zwanziger و Melnick (1988) محاسبه می کند. سرانجام ، طبق گفته هورتا و همکاران ، وضعیت تدریس وضعیت تدریس است.(2008) ، یک معیار اساسی از "ویژگی های سازمانی و بازار" که به طور گسترده ای در نظر گرفته می شود که بر کارآیی تأثیر می گذارد.

نتایج

برآورد کیفیت بیمارستان براساس سطح تجمع

میانگین و واریانس مقادیر HSMR جمعی هر بیمارستان در جدول 1 ذکر شده است. 1به طور کلی ، هرچه روش جمع آوری تصفیه شده تر ، نمرات کیفیت برآورد شده کمتر متغیر می شود. یک توضیح مداوم این است که بخشی از تفاوت های درک شده در کیفیت را می توان به تفاوت های بیمار بدون نظارت نسبت داد. این اثر برای بیمارستان های کلانشهر قوی تر است ، شاید به این دلیل که آنها با موارد شدیدتر سروکار دارند.

تأثیر تجمع بر کیفیت بیمارستان

تنظیم تجربی یک تجزیه و تحلیل DEA/Tobit دو مرحله ای از کارآیی است. آمار خلاصه نتایج مرحله اول در جدول 2 گنجانده شده است. 2سه مشخصات تخمین زده می شود: MDC ، DRG و یک مجموعه کنترل بدون کیفیت.

جدول 2

میانگین و واریانس مقادیر HSMR بیمارستان

توجه: برآورد از کارآیی بیمارستان از طریق سطح تجمع با استفاده از بیمارستان های مخلوط ، کلانشهر و روستایی. میانگین و انحراف استاندارد نمرات و همچنین ضرایب همبستگی بین سطح تجمع ارائه شده است.

دو مشاهده اصلی وجود دارد. مورد اول تأیید است که کیفیت مهم است. این با افزایش زیاد نمره کارآیی پس از درج کیفیت مشاهده می شود. این مطابق با این تصور است که به نظر می رسد بیمارستانهای مبتلا به بیماران مبتلا به بیماران بیمار ، کارآمدتر هستند. دوم این که تغییر در تجمع تفاوت زیادی در سطح کارآیی بیمارستان ایجاد نکرده است. ميانگين نمرات بازده در روش هاي جمعيت مشابه بود و ضرایب همبستگي بين مجموعه هاي مختلف نمرات راندي نزدیك به 1 است.

تأثیر تجمع بر روابط بین کیفیت و کارآیی

مرحله دوم رابطه بین کیفیت و کارآیی را بررسی می کند ، با عوامل سطح بیمارستان به عنوان متغیرهای کنترل اضافه می شود. نتیجه علاقه از رگرسیون TOBIT این است که آیا 95 درصد CI از پارامترهای کیفیت با هم همپوشانی دارند یا خیر. این یک اندازه گیری است که آیا تجمع از نظر آماری تأثیر معنی داری بر رابطه کیفیت و کارآیی دارد. نتایج پارامتر در جدول جدول 3 3 ذکر شده است.

جدول 3

برآورد پارامتر متغیرهای مستقل راندمان بیمارستان

توجه داشته باشید برآورد پارامتر و CIS تقریبی 95 ٪ آنها از تجزیه و تحلیل مرحله دوم. نتایج با * نشان دهنده اهمیت آماری در سطح 95 ٪ است. متغیر وابسته ، نمره ناکارآمدی بیمارستان ها است که به عنوان متقابل کارآیی تعریف شده است تا رگرسیون TOBIT را ساده کند. توجه داشته باشید که مرزهای پایین و بالایی از CI های Bootstrapped ، به طور کلی ، در حدود تخمین نقطه متقارن نیستند زیرا فرض توزیع عادی آرام است. به طور مشابه ، برآوردهای نقطه با توزیع زیربنایی ممکن است در خارج از CI 95 ٪ قرار بگیرند ، نشان می دهد که مرزهای پایین و بالایی تخمین زده می شود با استفاده از فرض توزیع عادی کاملاً نادرست بوده است.

برای داده های جمع شده ، برآوردهای به دست آمده در سطح DRG با موارد زیر MDC و سطح سرویس تفاوت معنی داری دارند. این با ادعای ما سازگار است که انتخاب مکانیسم تجمع می تواند تأثیر معنی داری در تجزیه و تحلیل تجربی بعدی داشته باشد. در مورد رگرسیون جدا شده ، 95 درصد CI برای دسته های MDC و DRG دیگر از هم جدا نیستند. این ممکن است با کاهش نقاط داده ایجاد شود ، یا اینکه تفاوت در خصوصیات خطر DRG های مختلف در اکثر MDC ها همزمان با یک شکاف کلانشهر-روستایی است. با این وجود ، ممکن است تنظیمات تجربی دیگری نیز وجود داشته باشد که نمونه آن را به روشی مشابه تقسیم نمی کند ، و به همین ترتیب ، انجام تنظیم ریسک با استفاده از تجمع های مختلف ممکن ، در صورت امکان ، مهم است تا اطمینان حاصل شود که نتایج به این تجربی وابسته نیستجزئیات

بحث

محققان باید مطالعات خود را طراحی کنند تا این احتمال را داشته باشند که نتایج ممکن است نسبت به انتخاب تجمع برای محاسبه کیفیت تنظیم ریسک حساس باشد. تنظیم در روش تجمیع در مطالعه ، در صورت امکان ، استحکام نتایج را بهبود می بخشد. به طور مشابه ، سیاست گذاران باید اصرار داشته باشند که نوعی از مقایسه متقابل با یک مطالعه یا علیه مطالعات مشابه با استفاده از مکانیسم های تجمع قابل توجهی متفاوت انجام شود. بودجه کافی تر برای ایجاد و حفظ پایگاه داده های دقیق تر بیمار نیز کمک می کند.

برای نشان دادن این ، ما ابتدا اقدامات کیفیت تنظیم شده در ریسک بیمارستان را با استفاده از دو سطح جداگانه تجمع تخمین زده ایم: 23 MDC و 648 DRG. عوامل حاشیه ای برای احتمال مرگ به طور جداگانه در هر تجمع ، با استفاده از رگرسیون لجستیک تخمین زده می شود. سپس ، این اقدامات کیفیت در یک تجزیه و تحلیل DEA/Tobit دو مرحله ای ، ابتدا برای برآورد کارایی تنظیم شده با کیفیت ، سپس برای بررسی عواملی که این تفاوت ها در کارآیی را توضیح می دهد ، استفاده شد. هر مرحله از تمرین برای تمام سطوح تجمع تکرار می شود تا نتایج آنها مقایسه شود.

واریانس کیفیت گزارش شده بین بیمارستان ها هنگام استفاده از تجمع با گروه های کوچکتر و بیشمار کاهش یافته است. اگر یک محقق دلیلی داشته باشد که از نظر ارزیابی بیمارستان نگران تعصب باشد ، باید از تجمع باریک تر استفاده شود. در واقع ، این با این عقیده مشترک سازگار است که ناهمگونی بیمار تحت نظارت می تواند تفاوت در عملکرد بیمارستان را اغراق کند. با این حال ، همچنین مهم است که از تجارت تعصب و تغییر در این امر آگاه باشید که خطای استاندارد اقدامات کیفیت فرد (تخمین زده شده) ممکن است با افزودن عوامل توضیحی بیشتر ، بیشتر باشد.

سرانجام ، ما توجه می کنیم که طراحی تظاهرات تجربی توسط داده های هزینه بیمارستان محدود شده است ، که مبلغ کل دلار را برای ورودی های آنها فراهم می کند. این بدان معنی بود که قیمت ها باید منتقد شوند ، زیرا مقادیر واحد در دسترس نیست ، که ممکن است دقت نتایج را کاهش دهد.

تصدیق

بیانیه های مشترک/افشای مشترک: نویسنده حمایت از بودجه تحقیق ارائه شده توسط موسسه تحقیقات اقتصادی و اجتماعی کاربردی ملبورن را تأیید می کند.