Abstract 13261: Determining the Cost-Benefit Yields of Participating in a Cardiac Rehabilitation Program
Notice bibliographique
Résumé
Background and Objective: Regular participation in cardiac rehabilitation (CR) has been consistently shown to improve survival prognosis for patients suffering from a recent cardiovascular episode. No study has quantified the thresholds of baseline risk/behavioral attrition beyond which the cost-benefits of CR become economically unattractive. We aimed to determine how the cost-benefits associated with CR vary across baseline risk and behavioral attrition patterns amongst an actual population of patients participating in an outpatient CR program. Methods: Data was obtained from 11,998 consecutive patient referrals to Toronto Rehab Cardiac Rehabilitation and Secondary Prevention Program (1995 to 2010). Baseline risk was defined as the probability of death/hospitalization at 2 years following program termination and behavioral attrition as the probability of program drop-out. We assumed a fixed cost of $1500 per program and a fixed program efficacy of 20% reduction in death/hospitalization. Multiple logistic regression models were used to predict the number of deaths/hospitalizations avoided per 1000 patients treated. Results: Regression models for baseline risk and baseline behavioral attrition produced C-statistics of 0.66 and 0.85, respectively. Increasing age, type 2 diabetes were found to be concordant predictors of CR cost-benefit and higher baseline functional capacity as a discordant predictor. The correlation between program drop out risk and baseline risk was poor (r=0.22, p<0.001). There was a 13% increased risk of predicted dropout for each quartile of program cost to yield (RR 0.87, 95% CI: 0.87, 0.89), while for each 10% baseline risk increase, RR was found to be 1.36 (95% CI: 1.34, 1.37). For both risk factors as predictors of improved cost-benefit yield ($1000 cost per adverse-event avoided) there was a 21% higher likelihood of the program being economically attractive for each 10% increase in behavioral attrition risk (RR 1.21, 95% CI: 1.207, 1.213). Conclusion: Baseline risk and behavioral attrition are important determinants of CR effectiveness and underscores the potential utility of risk stratification and patient baseline/behavioral attrition risk thresholds to estimate the programmatic benefit of CR programs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».