Prescription Duration After Drug Copay Changes in Older People: Methodological Aspects
Notice bibliographique
Résumé
OBJECTIVES: Impact assessment of drug benefits policies is a growing field of research that is increasingly relevant to health care planning for older people. Some cost-containment policies are thought to increase noncompliance. This paper examines mechanisms that can produce spurious reductions in drug utilization measures after drug policy changes when relying on pharmacy dispensing data. Reference pricing, a copayment for expensive medications above a fixed limit, for angiotensin-converting enzyme(ACE) inhibitors in older British Columbia residents, is used as a case example. DESIGN: Time series of 36 months of individual claims data. Longitudinal data analysis, adjusting for autoregressive data. SETTING: Pharmacare, the drug benefits program covering all patients aged 65 and older in the province of British Columbia, Canada. PARTICIPANTS: All noninstitutionalized Pharmacare beneficiaries aged 65 and older who used ACE inhibitors between 1995 and 1997 (N = 119,074). INTERVENTION: The introduction of reference drug pricing for ACE inhibitors for patients aged 65 and older. MEASUREMENTS: Timing and quantity of drug use from a claims database. RESULTS: We observed a transitional sharp decline of 110% t a standard error of 30% (P = .02) in the overall utilization rate of all ACE inhibitors after the policy implementation; five months later, utilization rates had increased, but remained under the predicted prepolicy trend. Coinciding with the sharp decrease, we observed a reduction in prescription duration by 31% in patients switching to no-cost drugs. This reduction may be attributed to increased monitoring for intolerance or treatment failure in switchers, which in turn led to a spurious reduction in total drug utilization. We ruled out the extension of medication use over the prescribed duration through reduced daily doses (prescription stretching) by a quantity-adjusted analysis of prescription duration. CONCLUSION: The analysis of prescription duration after drug policy interventions may provide alternative explanations to apparent short-term reductions in drug utilization and adds important insights to time trend analyses of drug utilization data in the evaluation of drug benefit policy changes.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».