核心观点与关键数据
模型概述
- 该附录作为 McKinsey Health Institute 与 West Health Institute 合作开发的互动工具“Making care primary again”的补充，旨在估算美国当前及未来的初级保健能力，分析初级保健需求与供给之间的差距，并模拟解决该差距的潜在方案。
- 模型包含需求建模、供给建模和情景分析三个部分。
需求建模
- 条件组选择：基于对成年人初级保健需求驱动因素、疾病负担和转型性护理模型实施情况的分析，选取了三个主要条件组：行为健康（BH）、阿尔茨海默病和其他痴呆症（ADOD）以及代谢健康，并补充“<20”和“其余人群”（ROP）两组以覆盖全部人口。
- 需求计算：需求计算为当前确诊患者的初级保健就诊次数加上预计如果90%的成年人接受相同标准的护理所需的初级保健就诊次数，以反映未确诊或未治疗人群的潜在需求。
- 未确诊人群识别：使用 IHME 数据确定相关诊断的患病率，结合 CBO 数据计算受影响人群规模，并通过减去确诊和治疗人数来估算未确诊和未治疗人群。
- 就诊需求计算：将未确诊人群乘以90%，并结合当前就诊人群的每成员每年（PMPY）医疗利用率，乘以相应条件组的人数，得到每个服务地点的就诊次数和支出，最终汇总得到总需求。
- 预测方法：使用 CBO 人口数据作为统一数据源进行人口预测，并根据国家医疗支出（NHE）医师和临床服务支出预测（2025-2033年5.6%复合年增长率）和 CBO GDP 增长率（2033-2050年1.6%复合年增长率）进行支出增长预测。
- 城乡需求：使用美国人口普查局的农村评分进行城乡分类，并根据各州农村人口比例估算农村需求。
供给建模
- 供给计算：通过将初级保健提供者数量乘以每位提供者每年的就诊次数来计算初级保健就诊能力。
- 初级保健劳动力规模：包括家庭医学医生、普通内科医生、老年病学医生、初级保健领域执业的护士（NP）和初级保健领域执业的医师助理，使用 HRSA Workforce Projections Dashboard 数据，并针对 NP 的执业范围限制进行调整。
- 初级保健劳动力生产力：通过汇总多个来源的年度就诊估计值，计算每位全时初级保健提供者每年的患者就诊次数。
- 预测方法：2037年后，劳动力预测通过延续2022-2037期间的复合年增长率进行估算，但考虑到 CBO 对2037年后劳动年龄人口增长速度的预测，将增长率降低了约33%。
- 城乡供给：使用 NP 数据库记录，根据美国农业部城乡定义将每位提供者链接到其邮政编码并进行分类，并根据各州农村执业医师比例估算农村供给。
情景分析
- 需求情景分析：
- 肥胖和糖尿病的医疗管理（例如，GLP-1）：通过建模 GLP-1 的采用率和疗效率（减少急诊和住院就诊的百分比）来评估其对就诊需求的影响。
- ADOD 的疾病修饰疗法（DMT）：通过建模 DMT 的采用率和疗效率（减少总医疗成本的百分比）来评估其对就诊需求的影响。
- 初级保健行为健康整合模型（PCBHI）：通过建模未治疗人群对轻度至中度 BH 条件整合模型的采用率来评估其对就诊需求的影响。
- 人口健康改善：通过建模美国成年人每年平均初级保健就诊次数来评估人口健康改善对就诊需求的影响。
- 供给情景分析：
- 劳动力增长：通过增加每年初级保健毕业生数量来模拟初级保健劳动力增长。
- 初级保健提供者生产力改进干预措施：通过建模初级保健提供者的采用率和实现的生产力改进（以每位提供者每天额外就诊次数表示）来评估其对就诊需求的影响。
研究结论
- 模型计算了初级保健就诊差距（总需求减去总供给），正值为短缺（需求超过供给），负值为当前护理标准下（约30分钟就诊）的潜在额外能力。
- 模型未考虑患者偏好、私人保健、提供者分布或获取障碍等因素，因此对就诊的实际情况，尤其是在农村地区，可能需要进一步研究。
- 通过情景分析，可以评估不同干预措施对初级保健就诊需求的影响，并为政策制定提供参考。
