Health Care Expenditures for Adults With Multiple Treated Chronic Conditions: Estimates From the Medical Expenditure Panel Survey, 2009
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 découle