Improving Analysis of Medicaid Enrollee Race and Ethnicity Using Data From a State-Based Marketplace and Regional Health Information Exchange.

چکیده اصلی

BACKGROUND: Medicaid race and ethnicity data quality continues to pose challenges for patient-centered outcomes research. Collection practices and data systems vary; according to the Centers for Medicare & Medicaid Services Data Quality Atlas, many states have race and ethnicity data quality of concern (medium, high, or unusable), including Maryland. OBJECTIVE: This study links data from 3 sources to reduce the percentage of Maryland Medicaid enrollees with an unknown race and ethnicity and improve the accuracy of population-level data. RESEARCH DESIGN: People enrolled in Maryland Medicaid (MMIS2) at any point during calendar year 2023 (N=1,898,041) were matched to data from Maryland's state health insurance marketplace (MHBE) and designated health information exchange (CRISP). Enrollees were assigned a single race and ethnicity value from the data sources in the following order: MHBE; CRISP; historic MMIS2; current MMIS2. If a participant had an unknown race and ethnicity, the next source was used. RESULTS: Most Medicaid enrollees (97.8%) were found in MHBE and/or CRISP. The study methodology allowed for greater disaggregation of the population by race and ethnicity and reduced the percentage with an unknown race and ethnicity from 23.0% to 1.0%. The distribution of enrollees by race and ethnicity after applying the study method was better aligned with American Community Survey benchmarks than the original data. CONCLUSIONS: These results will help stakeholders in Maryland better identify disparities in patient-centered outcomes and advance health equity goals. This methodology can assist researchers and policymakers in other states with similar data quality issues, as part of a larger effort to improve Medicaid race and ethnicity data.

ترجمه فارسی چکیده

پس‌زمینه: کیفیت داده‌های نژاد و قومیت Medicaid همچنان چالش‌هایی را برای تحقیقات نتایج متمرکز بر بیمار ایجاد می‌کند. شیوه‌های جمع‌آوری و سیستم‌های داده متفاوت هستند. هدف: این مطالعه داده‌های سه منبع را به هم متصل می‌کند تا درصد بیماران Medicaid مریلند با نژاد و قومیت ناشناخته را کاهش دهد و دقت داده‌های سطح جمعیت را بهبود بخشد. طراحی تحقیق: بیماران enrolled در Medicaid مریلند در هر نقطه‌ای از سال ۲۰۲۳ (N=1,898,041) با داده‌های بازار بیمه سلامت دولتی مریلند (MHBE) و مبادله اطلاعات سلامت معین (CRISP) تطبیق داده شدند. بیماران یک مقدار نژاد و قومیت واحد از منابع داده در ترتیب زیر دریافت کردند: MHBE؛ CRISP؛ MMIS2 تاریخی؛ MMIS2 فعلی. اگر نژاد و قومیت ناشناخته بود، منبع بعدی استفاده شد. نتایج: اکثر بیماران Medicaid (۹۷.۸٪) در MHBE و/یا CRISP یافت شدند. روش‌شناسی مطالعه امکان تجزیه و تحلیل بهتر جمعیت بر اساس نژاد و قومیت را فراهم کرد و درصد ناشناخته را از ۲۳.۰٪ به ۱.۰٪ کاهش داد. توزیع بیماران بر اساس نژاد و قومیت پس از اعمال روش مطالعه، با معیارهای سرشماری جامعه آمریکا همسوتر از داده‌های اصلی بود. نتیجه‌گیری: این نتایج به ذینفعان در مریلند کمک می‌کند تا نابرابری‌ها در نتایج متمرکز بر بیمار را بهتر شناسایی کنند و اهداف عدالت سلامت را پیش ببرند. این روش‌شناسی می‌تواند به پژوهشگران و سیاست‌گذاران در سایر ایالت‌ها با مشکلات مشابه کیفیت داده کمک کند.

متن کامل اصلی