Direct costs of fractures in Canada and trends 1996–2006: A population-based cost-of-illness analysis
Notice bibliographique
Résumé
Cost-of-illness (COI) analysis is used to evaluate the economic burden of illness in terms of health care resource (HCR) consumption. We used the Population Health Research Data Repository for Manitoba, Canada, to identify HCR costs associated with 33,887 fracture cases (22,953 women and 10,934 men) aged 50 years and older that occurred over a 10-year period (1996-2006) and 101,661 matched control individuals (68,859 women and 32,802 men). Costs (in 2006 Canadian dollars) were estimated for the year before and after fracture, and the change (incremental cost) was modeled using quantile regression analysis to adjust for baseline covariates and to study temporal trends. The greatest total incremental costs were associated with hip fractures (median $16,171 in women and $13,111 for men), followed by spine fractures ($8,345 in women and $6,267 in men). The lowest costs were associated with wrist fractures ($663 in women and $764 in men). Costs for all fracture types were greater in older individuals (p < 0.001). Similar results were obtained with regression-based adjustment for baseline factors. Some costs showed a slight increase over the 10 years. The largest temporal increase in women was for hip fracture ($13 per year, 95% CI $6-$21, p < 0.001) and in men was for humerus fracture ($11 per year, 95% CI $3-$19, p = 0.007). At the population level, hip fractures were responsible for the largest proportion of the costs after age 80, but the other fractures were more important prior to age 80. We found that there are large incremental health care costs associated with incident fractures in Canada. Identifying COI from HCR use offers a cost baseline for measuring the effects of evidence-based guidelines implementation.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».