Cost of Illness and Determinants of Costs Among Patients with Gout
Notice bibliographique
Résumé
OBJECTIVE: To estimate costs of illness in a cross-sectional cohort of patients with gout attending an outpatient rheumatology clinic, and to evaluate which factors contribute to higher costs. METHODS: Altogether, 126 patients with gout were clinically assessed. They completed a series of questionnaires. Health resource use was collected using a self-report questionnaire that was cross-checked with the electronic patient file. Productivity loss was assessed by the Work Productivity and Activity Impairment Questionnaire, addressing absenteeism and presenteeism. Resource use and productivity loss were valued by real costs, and annual costs per patient were calculated. Factors contributing to incurring costs above the median were explored using logistic univariable and multivariable regression analysis. RESULTS: Mean (median) annual direct costs of gout were €5647 (€1148) per patient. Total costs increased to €6914 (€1279) or €10,894 (€1840) per patient per year when adding cost for absenteeism or both absenteeism and presenteeism, respectively. Factors independently associated with high direct and high indirect costs were a positive history of cardiovascular disease, functional limitations, and female sex. In addition, pain, gout concerns, and unmet gout treatment needs were associated with high direct costs. CONCLUSION: The direct and indirect costs-of-illness of gout are primarily associated with cardiovascular disease, functional limitations, and female sex.
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 | 0,001 | 0,005 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».