Explaining Prescription Drug Use and Expenditures Using the Adjusted Clinical Groups Case-Mix System in the Population of British Columbia, Canada
Notice bibliographique
Résumé
BACKGROUND: Given that prescription drugs have become a major financial component of health care, there is an increased need to explain variations in the use of and expenditure on medicines. Case-mix systems built from existing administrative datasets may prove very useful for such prediction. OBJECTIVE: We estimated the concurrent and prospective predictive validity of the adjusted clinical groups (ACG) system in pharmaceutical research and compared the ACG system with the Charlson index of comorbidity. RESEARCH DESIGN: We ran a generalized linear models to examine the predictive validity of the ACG system and the Charlson index and report the correlation between the predicted and observed expenditures. We reported mean predictive ratios across medical condition and cost-defined groups. When predicting use of medicines, we used C-statistics to summarize the area under the receiver operating characteristic curve. SUBJECTS: The 3,908,533 British Columbia residents who were registered for the universal health care plan for 275+ days in the calendar years 2004 and 2005. MEASURES: Outcomes were total pharmaceutical expenditures, use of any medicines, and use of medicines from 4+ different therapeutic categories. RESULTS: The ACG case mix system predicted drug expenditures better than the Charlson index. The mean predictive ratios for the ACG system models were all within 4% of the actual costs when examining medical condition group and the C-stats for the 2 dichotomous outcomes were between 0.82 and 0.89. CONCLUSION: ACG case-mix adjusters are a valuable predictor of pharmaceutical use and expenditures with much higher predictive power than age, sex, and the Charlson index of comorbidity.
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 | 0,012 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».