Health Care Expenditures for Adults With Multiple Treated Chronic Conditions: Estimates From the Medical Expenditure Panel Survey, 2009
Notice bibliographique
Résumé
The objective of this article is to illustrate the usefulness of Medical Expenditure Panel Survey (MEPS) data for examining variations in medical expenditures for people with multiple chronic conditions (MCC). We analyzed 2009 MEPS data to produce estimates of treated prevalence for MCC and associated medical expenditures for adults in the US civilian noninstitutionalized population (sample = 24,870). We also identified the most common dyad and triad combinations of treated conditions. Approximately one-quarter of civilian US adults were treated for MCCs in 2009; 18.3% were treated for 2 to 3 conditions and 7% were treated for 4 or more conditions. The proportion of adults treated for MCC increased with age. White non-Hispanic adults were most likely and Hispanic and Asian adults were least likely to be treated for MCC. Health care expenditures increased as the number of chronic conditions treated increased. Regardless of age or sex, hypertension and hyperlipidemia was the most common dyad among adults treated for MCC; diabetes in conjunction with these 2 conditions was a common triad. MEPS has the capacity to produce national estimates of health care expenditures associated with MCC. MEPS data in conjunction with data from other US Department of Health and Human Services sources provide information that can inform policies addressing the complex issue of MCC.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».