fbpx 改善医疗补助计划中的卫生公平:解决数据质量和方法问题-365皇冠登陆app 跳转到主要内容
博客

改善医疗补助中的卫生公平:解决数据质量和方法问题

本文是卫生公平会议博客系列的第五篇, 总结了一个专家小组的讨论,他们讨论了皇冠365app首页当前分析医疗补助数据以改善健康公平的方法.

研究人员把便利贴贴在墙上

围绕卫生公平进行的对话和分析需要更好地了解目前在卫生保健结果和提供方面的差距. 使用 医学研究所(IOM)对健康差异的定义 作为一个路标, 任何不以基本健康状况或患者偏好为理由的治疗差异都被视为差异. 当检查数据, 必须采用控制和分析方法,以便准确地衡量健康差距.

“看一篇论文,就很容易跳到最后的结果, 但没有意识到使用的控制方法可能会真正改变这一发现的性质,” Dr. Kosali西蒙, 印第安纳大学杰出教授, 谁主持了一场题为“与改善医疗补助中卫生公平相关的方法学挑战”的会议.

在分析医疗补助计划(医疗补助计划)医疗公平数据时,方法学上的挑战只会加剧, 因为有 报告要求的差异 跨州. 对健康差距的数据分析需要变通办法和估算,以说明现有数据的质量.

种族和族裔数据的收集和报告需要改进

医疗补助的数据系统,最近更新到 医疗补助统计信息系统(T-MSIS),协助研究人员试图回答卫生公平相关的问题. 然而,使用现有的数据系统精确地测量种族和民族是复杂的. 收集T-MSIS的数据, 加工过的, 由各州报告, 所以种族的完整性和质量, 种族, 和语言(REL)数据因州而异. 了解和制定准确衡量可参考寿命的解决办法,对于制定和监测消除保健和保健方面种族差异的解决办法至关重要.

间接估计Race是解决REL数据不佳的一种方法

正如人们之前提到的那样, 数据并不完美,也没有皇冠365app首页希望的那么好,” Dr. 卡罗尔·欧文Mathematica高级研究员. 为了解决REL数据完整性和质量方面的问题,研究人员开发了一种新的方法 对种族和民族的间接估计. 例如, 贝叶斯改进姓氏地理编码 (BISG)方法由RAND公司开发 通过一个人的姓氏和地理编码位置来预测他的种族/民族. 也有加强BISG的措施, 比如退化的年龄, 性, 以及其他个人层面的特征来预测种族/民族. 这些特征有助于更好地预测种族,因为在这些特征中种族的分布是不一样的.

Dr. 约翰L. Czajka, 曾任Mathematica的高级研究员, 正在进行一个试点项目,为医疗补助计划发展和评估BISG对种族和民族的估计. Dr. Czajka发现对于这个群体来说, 单项BISG的总体准确性高于回归分析. 然而, 在州一级进行间接估计的一个问题是,各州之间的预测精度有很大的差异, 在州, 跨组织的. 例如,博士. Czajka发现了白色, non-Hispanic race/种族 is best predicted in states with very small minority populations; likewise, 西班牙裔和白人, 非西班牙裔/民族在人口比例大的州预测效果最好.

识别和分析多种族个体需要改进

在医疗补助中衡量健康公平的另一个常见方法挑战是如何在数据集中识别多种族个体. 很少有州报告多种族人口的数据,而且大多数州都少报. 此外,姓氏和地理位置的预测价值较小. 因此,研究人员通常将多种族个体排除在他们的分析之外. 然而,这种排斥会导致一些问题,例如 Dr. 的童年男妓 在加州大学工作, 洛杉矶菲尔丁公共卫生学院卫生政策与管理系, 清晰的表达.

“皇冠365app首页必须处理多种族人口问题,因为根据2020年人口普查, 这一人口从900万大幅增长到33万.800万年. 如果皇冠365app首页在医疗补助分析中排除了这个人群, 然后皇冠365app首页进一步压制或消除对较小种族群体的认识——美洲印第安人、阿拉斯加原住民、夏威夷原住民和太平洋岛民——他们超过一半的人口报告有一个以上的种族.”

完整的医疗补助数据未能说明在需要和获得治疗方面的差异

即使可用的医疗补助数据是完整和高度准确的, 在分析公平结果方面存在方法论上的挑战 as 医疗补助计划的索赔数据只提供对接受治疗或诊断的患者的了解. 种族差异 在获得护理方面可能存在患者的偏好, 临床的需求, 法律和监管制度, 和歧视. 根据国际移民组织对不平等待遇的定义, 必须根据需要调整数据,以消除健康方面的差距. Dr. 本杰明Le做饭, 哈佛医学院/剑桥健康联盟精神病学副教授, 以精神卫生保健为例,论证了问题的核心,说明了调整的重要性 水平的需要. 仅依靠索赔数据就可能导致对获得治疗方面的差距作出不准确的假设. Dr. 库克把这称为“分母问题”, 因为那些没有获得治疗的人将没有权利要求,因此在计算治疗率时不会对分数分母作出贡献. 在理想的情况下, 医疗补助申领数据将与其他数据源合并,以便更好地捕获有关医疗保险的信息 需要 护理. 当研究种族和民族差异的数据时,这种差异进一步加剧. 医疗开支小组调查 (MEPS)是一组调查,提供365皇冠登陆app医疗保健成本、使用和保险的数据. 这些数据可以用来创建更准确的医疗补助样本, 作为分母问题的潜在解决方案. 数据匹配与输入的新方法 从社区数据集和调查中可以看到希望.

没有质量数据, 不可能知道问题的严重程度以及如何解决卫生公平问题. 处理糟糕的REL数据, 研究人员在使用BISG方法和其他模型估计REL指标方面取得了进展. 然而, 这些方法并不理想, 可再生资源数据不完整和质量差仍然是解决卫生公平问题的障碍. 同时,卫生公平数据的收集和报告工作正在改善, 在分析数据时仍然存在方法论上的挑战. 例如,如何识别和分析多种族个体? 因此,需要进一步提高方法,以解决卫生公平问题. 

这篇文章强调引用和学习来自小组“与改善医疗补助的卫生公平相关的方法挑战”,在12月12日的会议“利用医疗补助来改善卫生公平:研究和政策议程”上提出. 2021年1月和2月. 这次会议由匹兹堡大学的朱莉·多诺霍共同主持, 健康学院的苏珊·肯尼迪, 城市研究所的吉纳维芙·肯尼, 来自耶鲁大学的Chima Ndumele, 以及印第安纳大学的科萨利·西蒙. 

 

作者

朱莉安娜Akard

学士学位候选人 - 印第安纳大学

朱莉安娜Akard是印第安纳大学化学专业的大四学生, 经济学, 医疗保健管理和 ... 读生物

作者

伊丽莎白·麦卡沃伊

学士学位候选人 - 印第安纳大学

伊丽莎白·麦卡沃伊是印第安纳大学布卢明顿分校的本科生,攻读法律专业 & 公共政策... 读生物

博客评论仅限于健康学院成员. 请添加评论 登录.

365皇冠登陆app人口健康及其医疗保健, 必须通过一项国家特许战略来加强考虑其经济正义的各种选择,以确保加强的初级保健对其所在社区的每个居民公平提供,并在文化上提供, 每个社区的邻近社区都在监测. 然后,每个州将确定最低作业性质, 如果有任何, "加强"初级保健. 我建议,应该考虑的唯一最低标准是其电话“医疗分类”的性质.“在办公时间内, 每个初级保健诊所的办公室电话将由该诊所雇用的一名bsn级别的护士接听. 几个小时之后, 办公室的电话将由一个可以接通诊所医生的应答服务接听. 记住,信任和自我报告的幸福感已经被证明是反向因果关系,即.,医院使用率大幅下降.

提交的 保罗J. 纳尔逊女士医学博士 2022年4月4日,星期一上午10:58