Gout in the Elderly — A Population Health Study
Notice bibliographique
Résumé
OBJECTIVE: To determine the incidence, healthcare utilization, and costs in older adults with gout. METHODS: A 5-year retrospective case-control study of patients with incident gout and matched controls was performed. Study variables were derived from health administrative data and included patient demographics, International Classification of Diseases diagnostic codes, and healthcare cost information. RESULTS: There were 4,071 cases and 16,281 controls, providing a 5-year incidence of gout of 4.4%. The mean (+/-SD) age (77+/-7.3 and 76+/-7.1 yrs) and the male:female ratio (1.0:1.04) were similar in both groups. Gout was diagnosed by family physicians (77%), nonrheumatology subspecialists (18%), general internists (4%), and rheumatologists (0.02%). Hospitalizations were significantly higher in cases (p<0.001) in the year of diagnosis. Patients with gout had an average of 28.1 physician visits per year compared to 20.6 for controls (p<0.0001). Drug utilization for the treatment (nonsteroidal antiinflammatory drugs, colchicine, corticosteroids) and prevention (allopurinol, probenecid, sulfinpyrazone) of gout was significantly higher (p<0.0001). The average healthcare cost differential was +$134 (Cdn) per month (p<0.001) and +$8,020 per case over 5 years. These costs were due to hospital utilization (64.4%), medications (23.1%), and physician visits (12.5%). CONCLUSION: Gout is associated with a high disease burden in older men and women. The cost is primarily attributable to hospitalization, probably due to the comorbidities associated with gout. As the majority of cases are managed by nonrheumatologists, it is important that guidelines for the diagnosis and treatment of gout are disseminated to and met by all physician groups.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».