初级保健，重新构想：现代劳动力和护理模式创新（英）

附录 免责声明 这些材料基于目前可获得的与初级保健供需相关的数据及建模假设，反映了普遍性见解。这些分析未经独立核实，本质上存在不确定性。未来结果可能与本文所包含的任何预期声明、预测或展望存在实质性差异。 这些材料并非结果的保证，不应被视为确切的预测。它们不构成医疗、政策、法律或其他监管建议，也不包含确定具体行动方案所需的所有信息。这些预测和发现仅以“原样”提供，仅供信息参考，没有任何陈述或保证，且已明确放弃所有责任。 提及特定的数据来源、组织或外部模型，仅用于说明目的，并不构成认可或推荐。收件人应自行承担所有决策、解释和使用这些材料的责任，并负责确保遵守相关法律法规及标准。 模型概述 本附录是麦肯锡健康研究所与西健康研究所合作制作的互动项目《让护理重回核心：如何通过劳动力改革、投资和创新护理模式来改善患者体验》的方法论补充。该互动项目旨在估算美国当前及未来的初级护理能力，突出初级护理需求与提供者能力之间的潜在差距，并模拟解决该差距的潜在方案。 需求建模。需求部分包含两个组成部分：选择感兴趣的条件下组（例如，行为健康[BH]、阿尔茨海默病及其他痴呆症[ADOD]和代谢健康），以及计算总需求。需求计算为当前确诊的初级保健索赔人的就诊次数，加上如果条件组中90%的成年人获得相同标准的护理所需估计的初级保健就诊次数。这种方法考虑了受影响但未确诊或未治疗的人群，从而捕捉到在索赔中无法显现的潜在需求。 供应建模。供应部分包括通过计算总潜在初级保健就诊量来计算产能，即活跃执业的初级保健提供者劳动力总数与平均提供者生产力的乘积。提供者劳动力包括家庭医学医师、普通内科医师、老年病学医师、初级保健领域的护士 Practitioners (NPs) 以及初级保健领域的医师助理。 场景。本节包含需求侧和供给侧场景：包括GLP-1药物采用、疾病修正疗法（DMT）、整合照护模式及人口健康改善等需求场景的建模，以及劳动力增长和生产率提升干预等供给侧场景的建模。 初级保健就诊缺口计算为总需求减去总供给：正值表示短缺（需求超过供给），负值表示在约30分钟就诊的当前护理标准下存在潜在额外能力（供给超过需求）。我们的模型也评估了城乡需求。然而，这些模型并未考虑影响供给如何满足需求的许多其他因素，例如患者偏好、专属初级保健的兴起、提供者分布或获取的物流障碍。这意味着就诊的实际评估，尤其是在农村地区，可能需要进一步研究。 需求建模 A.选择感兴趣的条件组 方法论 为关注一组相关条件，根据这些条件驱动了美国成年人初级保健需求的有意义部分、具有高疾病负担，并且是变革性护理模式正在发展和实施的主要领域，选择了条件组。通过这些过滤器分析条件后，出现了三个感兴趣的组，包括以下条件： — BH（截至2025年有800万人）。初级保健对于检测BH状况至关重要，其中包括所有精神障碍和物质使用障碍。 — ADOD（截至2025年有700万人）。初级保健对于早期发现ADOD至关重要，ADOD占老年人神经疾病病例的80%。 — 代谢健康（截至2025年有9600万人）。这些状况的纳入是基于其在老年人中高患病率、长期和慢性性质，以及对初级保健的相关性，包括肥胖、糖尿病、高血压和心脏病。 创建了两个最终组别以涵盖整个人群：“<20”组和“其余人群”（ROP组）。<20组包括所有20岁以下人员，无论其状况如何。ROP组包括所有未被前三个状况组统计在内的剩余成年人。 根据对理赔数据的分析，上述列出的三个主要群体占初级保健就诊的70%，这些群体中的个人平均每年就诊六到七次——几乎是ROP群体平均就诊次数的三倍。 B.需求计算概述 需求量计算为初级保健当前确诊索赔人的就诊次数，加上如果所有病症组中90%的成年人都能获得相同标准的保健，那么预计所需的初级保健就诊次数。这种方法考虑了那些受到影响但未被诊断或未接受治疗的人群，从而捕捉了索赔中无法显现的潜在需求。需求量已针对三个病症组进行了估算。 方法论 1.确定未诊断人群（图1）。我们使用了健康指标与评估研究所（IHME）的数据1，涵盖五个五年年龄组（20-24岁至90岁及以上），以确定每个疾病组的相关诊断患病率。然后，为确定受影响人群规模，我们将患病率乘以相应年龄组的美国人口份额（美国国会预算办公室[CBO]数据）。2. 商业保险、医疗保险和医疗补助的理赔数据来自Merative MarketScan（2023）和医疗保险与医疗补助服务中心（2024），用于已诊断的理赔人。对于属于多个疾病组的理赔人，根据ADOD、BH和代谢的层级关系，将其互斥地归入一个疾病组：例如，如果一名理赔人同时患有ADOD和代谢性疾病，则会被归入ADOD队列。为了得出未诊断人群，我们从总受影响人群中减去已诊断和治疗的人数，以估算未诊断和未治疗的人群。3 2.计算就诊需求（见图2）。我们将未诊断人群乘以90%，这反映了识别和治疗所有受影响个体的假设是不切实际的。在确定目前接受治疗人群的每人每年（PMPY）医疗利用情况后，将每种疾病组的PMPY率乘以该疾病组的人数。对于每个服务地点，将每个疾病组的就诊次数和花费除以该亚人群的相应索赔人数（见图3和图4）。将未诊断人群的需求与已诊断人群的需求相加，即可得到总需求。各州的就诊需求预测是基于CBO人口数据开发的，并将全国年龄分布统一应用于各州。由于CBO被用作人口预测的唯一统一数据来源，因此未生成各州特定的人口年龄预测。 3.预测方法。由于可用的索赔数据年份的需求计算需要将预期需求预测至2050年，因此该预测基于CBO（美国国会预算办公室）至2050年的人口增长预测。2025年至2033年的支出增长基于国家医疗保健支出（NHE）中医生和临床服务支出的预测（2025年至2033年复合年增长率5.6%，参见4），而2033年至2050年的支出增长则采用1.6%的复合年增长率，该增长率基于CBO至2050年的GDP增长率，因为在此期间没有可用的NHE支出预测。 4.农村与城市需求。美国人口普查局的农村评分被用于城乡分类。5. 各州的需求被分为农村和城市两部分：通过将各州的农村人口百分比乘以总需求来估算农村需求——反之亦然，用于估算城市需求。 图1MCK258431 一级护理技术附件第1项，共8项 识别未诊断人群有助于估算总需求。 诊断未确诊人群的公式 麦肯锡公司 总需求考虑了未诊断和已诊断人群、诊断率以及估计的每位成员每年使用量。 麦肯锡公司 MCK258431基层医疗技术附件 图3 第3项第8项 针对阿尔茨海默病及其他疾病群体，各服务地点的年人均就诊次数相对较高。 麦肯锡公司 阿尔茨海默病及其他疾病小组在其服务场所的每位成员每年支出相对较高。 麦肯锡公司 供应建模 A.计算供给概述 初级保健服务能力采用两个因素进行建模：初级保健提供者的数量以及每位提供者每天平均提供的就诊次数。服务能力通过将提供者数量乘以每位提供者的年度就诊次数估算值来计算。预测数据基于健康资源与服务管理局（HRSA）劳动力预测仪表盘的工作力数据，并将每位提供者的就诊次数固定在2025年的水平。这种方法依赖于对劳动力供给和提供者生产力的假设，具体细节如下所述。 方法论 1.基层医疗劳动力规模（见图5）。根据美国卫生资源与服务管理局（HRSA）的劳动力预测仪表板第六版，基层医疗劳动力包括五类基层医疗服务提供者：家庭医生、普通内科医生、老年病医生、专门从事基层医疗工作的执业护士（NPs）以及专门从事基层医疗工作的医师助理。2022年至2037年大都市和非大都市地区的年度劳动力供给估计值来自HRSA的全时当量（FTE）预测。这些估计值包括目前正在工作的人员以及积极寻求工作的人员。为反映执业护士（NPs）的执业范围限制，对其有效FTE贡献进行了调整。在执业范围受限的州，NPs按0.75 FTE权重计算，与加利福尼亚州医疗保健获取与信息部引用的比例一致。7 在执业范围缩小的州，NPs按0.875 FTE权重计算。 2.基层医疗劳动力生产率。为估算全职基层医疗服务提供者每年处理的平均患者就诊次数，从多个来源收集了年度就诊次数估算数据（见图6）。平均年度全时当量（FTE）基层医疗服务提供者就诊量估算值针对每种提供者类型各有不同（例如，家庭医生为15次）。 3.预测方法。2037年后，劳动力预测通过将2022-2037期间的复合年均增长率（CAGR）进行外推来估算。然而，由于CBO预计2037年后劳动年龄人口增长将放缓，因此预测的劳动力增长率降低了约33%。此项调整反映了与2022-2037期间相比，2037-2050期间劳动年龄人口年增长率下降了33%。 4.农村与城市供应。农村和城市地区的提供者供应量是根据NPI数据库记录计算的，10每个提供者都与其实际区代码相关联，并根据美国农业部城乡定义被归类为农村或城市。11各州的供应量被划分为农村和城市两部分。为估算农村供应量，将该州农村从业者比例（农村从业者总数除以从业者总数）乘以总体供应量；为估算城市供应量，则将城市从业者比例乘以总体供应量。 6 “卫生人力预测”，卫生与公众服务部，卫生资源与服务管理局，数据访问日期为2025年11月13日。7 “初级保健短缺地区报告”，加利福尼亚州医疗保健获取与信息部，日期为2020年1月30日。 8 “V. 医生模式组成部分”，卫生资源与服务管理局，2025年； “表6：按执业环境计算的家庭医生每周平均患者就诊次数”，美国家庭医生学会，数据访问日期为2025年11月13日； 《2020年护士执业现状》，美国护士执业者协会，2021年； “获得认证的医师助理按专业划分的统计概况”，医师助理认证委员会，2022年。 9 国会预算办公室的预算和经济数据，数据访问日期为2025年11月13日。 10 医疗保险与医疗补助服务中心的国家提供者标识文件，数据访问日期为2025年11月13日。 11 “城乡连续体代码”，经济研究服务局，更新日期为2025年1月7日。 初级保健的供给将根据不同医疗服务场所的劳动力能力进行建模。 麦肯锡公司 初级保健人力资源将根据就诊次数和人力资源进行建模。 麦肯锡公司 情景分析 以下部分涵盖了影响初级保健就诊相应需求和供给的一系列场景。在需求方面，本部分涉及肥胖和糖尿病的医疗管理（例如GLP-1类药物）、用于ADOD的DMTs、初级保健行为健康整合（PCBHI）模式以及一般人群健康改善。除人群健康场景外，所有这些场景都可能因额外的管理和监测需求而潜在地增加初级保健就诊次数；它们也具有显著降低医疗总成本的潜力。请注意，在此模型中，医疗总成本仅包括诊疗场所的医疗支出，不包括药品费用。在供给方面，本部分将涵盖劳动力增长和初级保健提供者生产力提升干预措施（重点关注AI赋能的行政工具）。 A.需求场景分析（图7）A1：肥胖和糖尿病的医疗管理（例如GLP-1类似物）概述 肥胖和糖尿病（例如，GLP-1处方）的医疗管理影响，是利用两个输入进行建模的：临床肥胖人群的采用率以及有效率（急诊和住院就诊的百分比减少）。这两个输入均基于跨医疗系统的外部研究。 方法论 采用率。采用率是指可以接受GLP-1药物的人群子集，即美国成年肥胖人口（包括肥胖的糖尿病患者）。美国疾病控制与预防中心（CDC）报告称，40%的成年人口超重（体重指数BMI大于或等于30）。12 最小采用率设定为11%，反映了当前的GLP-1采用情况。13 理论最大采用率设定为35%，反映了与他汀类药物相似的采用率。14 有效率。最低有效率为1%，考虑到GLP-1的采用可减少42%的住院利用，理论最高可达45%。15有效率将影响因严重事件减少（例如，肥胖相关急性事件减少，如心脏病发作或肺栓塞）而导致的PMPY住院和急诊就诊次数的减少，从而降低总医疗成本。基线PMPY初级保健就诊次数将增加三次，反映了需要额外的药物管理、初始筛查和重新调整剂量，以及持续的全面评估。该模型假设切换后的改进将在十年内达到（线性建模），反映了有效率的