Medicare launched the mandatory Comprehensive Care for Joint Replacement bundled payment model in 67 urban areas for approximately 800 hospitals following its experience in the voluntary Acute Care Episodes (ACE) and Bundled Payments for Care Improvement (BPCI) demonstration projects. Little information from ACE and BPCI exists to guide hospitals in redesigning care for mandatory joint replacement bundles.To analyze changes in quality, internal hospital costs, and postacute care (PAC) spending for lower extremity joint replacement bundled payment episodes encompassing hospitalization and 30 days of PAC.This observational study followed 3942 total patients with lower extremity joint replacement at Baptist Health System (BHS), which participated in ACE and BPCI.Lower extremity joint replacement surgery under bundled payment at BHS.Average Medicare payments per episode, readmissions, emergency department visits, prolonged length of stay, and hospital savings from changes in internal hospital costs and PAC spending.Overall, 3942 patients (mean [SD] age, 72.4 [8.4] years) from BHS were observed. Between July 2008 and June 2015, average Medicare episode expenditures declined 20.8%, from $26 785 to $21 208 (P < .001) for 3738 episodes of joint replacement without complications. It declined 13.8% from $38 537 to $33 216 (P = .61) for 204 episodes of joint replacement with complications. Readmissions and emergency department visits declined 1.4% (P = .14) and 0.9% (P = .98), respectively, while episodes with prolonged length of stay decreased 67.0% (P < .001). Patient illness severity remained stable. By 2015, 51.2% of overall hospital savings had come from internal cost reductions and 48.8% from PAC spending reductions. Reductions in implant costs, down on average $1920.68 (29%) per case, contributed the greatest proportion of hospital savings. Average PAC spending declined $2443.12 (27%) per case, largely from reductions in inpatient rehabilitation and skilled nursing facility spending but only when bundles included financial responsibility for PAC.During a period in which Medicare payments for joint replacement episodes increased by 5%, bundled payment for procedures at BHS was associated with substantial hospital savings and reduced Medicare payments. Decreases in PAC spending occurred only when it was included in the bundle.

Behavioral economics provides insights about the development of effective incentives for physicians to deliver high-value care. It suggests that the structure and delivery of incentives can shape behavior, as can thoughtful design of the decision-making environment. This article discusses several principles of behavioral economics, including inertia, loss aversion, choice overload, and relative social ranking. Whereas these principles have been applied to motivate personal health decisions, retirement planning, and savings behavior, they have been largely ignored in the design of physician incentive programs. Applying these principles to physician incentives can improve their effectiveness through better alignment with performance goals. Anecdotal examples of successful incentive programs that apply behavioral economics principles are provided, even as the authors recognize that its application to the design of physician incentives is largely untested, and many outstanding questions exist. Application and rigorous evaluation of infrastructure changes and incentives are needed to design payment systems that incentivize high-quality, cost-conscious care.

Machine learning algorithms could identify patients with cancer who are at risk of short-term mortality. However, it is unclear how different machine learning algorithms compare and whether they could prompt clinicians to have timely conversations about treatment and end-of-life preferences.To develop, validate, and compare machine learning algorithms that use structured electronic health record data before a clinic visit to predict mortality among patients with cancer.Cohort study of 26 525 adult patients who had outpatient oncology or hematology/oncology encounters at a large academic cancer center and 10 affiliated community practices between February 1, 2016, and July 1, 2016. Patients were not required to receive cancer-directed treatment. Patients were observed for up to 500 days after the encounter. Data analysis took place between October 1, 2018, and September 1, 2019.Logistic regression, gradient boosting, and random forest algorithms.Primary outcome was 180-day mortality from the index encounter; secondary outcome was 500-day mortality from the index encounter.Among 26 525 patients in the analysis, 1065 (4.0%) died within 180 days of the index encounter. Among those who died, the mean age was 67.3 (95% CI, 66.5-68.0) years, and 500 (47.0%) were women. Among those who were alive at 180 days, the mean age was 61.3 (95% CI, 61.1-61.5) years, and 15 922 (62.5%) were women. The population was randomly partitioned into training (18 567 [70.0%]) and validation (7958 [30.0%]) cohorts at the patient level, and a randomly selected encounter was included in either the training or validation set. At a prespecified alert rate of 0.02, positive predictive values were higher for the random forest (51.3%) and gradient boosting (49.4%) algorithms compared with the logistic regression algorithm (44.7%). There was no significant difference in discrimination among the random forest (area under the receiver operating characteristic curve [AUC], 0.88; 95% CI, 0.86-0.89), gradient boosting (AUC, 0.87; 95% CI, 0.85-0.89), and logistic regression (AUC, 0.86; 95% CI, 0.84-0.88) models (P for comparison = .02). In the random forest model, observed 180-day mortality was 51.3% (95% CI, 43.6%-58.8%) in the high-risk group vs 3.4% (95% CI, 3.0%-3.8%) in the low-risk group; at 500 days, observed mortality was 64.4% (95% CI, 56.7%-71.4%) in the high-risk group and 7.6% (7.0%-8.2%) in the low-risk group. In a survey of 15 oncology clinicians with a 52.1% response rate, 100 of 171 patients (58.8%) who had been flagged as having high risk by the gradient boosting algorithm were deemed appropriate for a conversation about treatment and end-of-life preferences in the upcoming week.In this cohort study, machine learning algorithms based on structured electronic health record data accurately identified patients with cancer at risk of short-term mortality. When the gradient boosting algorithm was applied in real time, clinicians believed that most patients who had been identified as having high risk were appropriate for a timely conversation about treatment and end-of-life preferences.

Participants often vary in their response to behavioral interventions, but methods to identify groups of participants that are more likely to respond are lacking. In this secondary analysis of a randomized clinical trial, we used baseline characteristics to group participants into distinct behavioral phenotypes and evaluated differential responses to a physical activity intervention. Latent class analysis was used to segment participants based on baseline participant data including demographics, validated measures of psychosocial variables, and physical activity behavior. The trial included 602 adults from 40 U.S. states with body mass index ≥25 who were randomized to control or one of three gamification interventions (supportive, collaborative, or competitive) to increase physical activity. Daily step counts were monitored using a wearable device for a 24-week intervention with 12 weeks of follow-up. The model segmented participants into three classes named for key defining traits: Class 1, extroverted and motivated; Class 2, less active and less social; Class 3, less motivated and at-risk. Adjusted regression models were used to test for differences in intervention response relative to control within each behavioral phenotype. In Class 1, only participants in the competitive arm increased their mean daily steps during the intervention (adjusted difference, 945; 95% CI, 352-1537; P = .002), but it was not sustained during follow-up. In Class 2, participants in all three gamification arms significantly increased their mean daily steps compared to control during the intervention (supportive arm adjusted difference 1172; 95% CI, 363-1980; P = .005; collaborative arm adjusted difference 1119; 95% CI, 319-1919; P = .006; competitive arm adjusted difference 1179; 95% CI, 400-1957; P = .003) and all three had sustained impact during follow-up. In Class 3, none of the interventions had a significant effect on physical activity. Three behavioral phenotypes were identified, each with a different response to the interventions. This approach could be used to better target behavioral interventions to participants that are more likely to respond to them.

US health care use declined during the initial phase of the COVID-19 pandemic in 2020. Although utilization is known to have recovered in 2021 and 2022, it is unknown how revenue in 2020-22 varied by physician specialty and practice setting. This study linked medical claims from a large national federation of commercial health plans to physician and practice data to estimate pandemic-associated impacts on physician revenue (defined as payments to eligible physicians) by specialty and practice characteristics. Surgical specialties, emergency medicine, and medical subspecialties each experienced a greater than 9 percent adjusted gross revenue decline in 2020 relative to prepandemic baselines. By 2022, pathology and psychiatry revenue experienced robust recovery, whereas surgical and oncology revenue remained at or below baseline. Revenue recovery in 2022 was greater for physicians practicing in hospital-owned practices and in practices participating in accountable care organizations. Pandemic-associated revenue recovery in 2021 and 2022 varied by specialty and practice type. Given that physician financial instability is associated with health care consolidation and leaving practice, policy makers should closely monitor revenue trends among physicians in specialties or practice settings with sustained gross revenue reductions during the pandemic.