The Migraine ACE Model: Evaluating the Impact on Time Lost and Medical Resource Use
Notice bibliographique
Résumé
OBJECTIVE: To describe the Migraine Adaptive Cost-Effectiveness Model in the context of an analysis of a simulated population of Canadian patients with migraine. BACKGROUND: The high prevalence of migraine and its substantial impact on patients' ability to function normally present a significant economic burden to society. In light of the recent availability of improved pharmaceutical treatments, a model was developed to assess their economic impact. METHODS: The Migraine Adaptive Cost-Effectiveness Model incorporates the costs of time lost from both work and nonwork activities, as well as medical resource and medication use. Using Monte Carlo techniques, the model simulates the experience of a population of patients with migraine over the course of 1 year. As an example, analyses of a Canadian population were carried out using data from a multinational trial, surveys, national statistics, and the available literature. RESULTS: Using customary therapy, mean productivity losses (amounting to 84 hours of paid work time, 48 hours of unpaid work time, and 113 hours of leisure time lost) were estimated to cost $1949 (in 1997 Canadian dollars) per patient, with medical expenditures adding an average of $280 to the cost of illness. CONCLUSIONS: With customary treatment patterns, the costs of migraine associated with reduced functional capacity are substantial. The migraine model represents a flexible tool for the economic evaluation of different migraine treatments in various populations.
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 | 0,002 |
| 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 | 0,001 | 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 ».