Implications to payers of switch from hospital-based intravenous immunoglobulin to home-based subcutaneous immunoglobulin therapy in patients with primary and secondary immunodeficiencies in Canada
Notice bibliographique
Résumé
BACKGROUND: Switching primary/secondary immunodeficiency (PID/SID) patients from intravenous immunoglobulin (IVIg) to home-based subcutaneous immunoglobulin (SCIg) therapy reduces nurse time. A nurse shortage in Canada provides an important context to estimate the net economic benefit, the number of patients needed to switch to SCIg to recoup one full-time equivalent (FTE), and potential population-wide savings of reduced nurse time to a payer. METHODS: The net economic benefit was estimated by multiplying the hourly compensation for nurses in Canada by the hours required for each administration route. The number needed to switch to SCIg to gain one nurse FTE was estimated by dividing the work hours in a year by the average annual savings in nursing time in a PID population in Canada. The prevalence of treated PID/SID in Canada was calculated using provincial IgG audit data to extrapolate the potential population-wide savings of switching patients to SCIg therapy. FINDINGS: The net economic gain from switching one patient to home-based SCIg care would be C$2,603 (Canadian Dollars) in year 1 and C$2,948 each year thereafter. Switching 37 IVIg patients to SCIg would gain one nurse FTE. Switching 50% of the estimated 5,486 PID and SID patients in Canada receiving IVIg therapy to SCIg has the potential to save 223.3 nurse FTEs (C$23.2 million in labor costs). CONCLUSIONS: A shift from IVIg to less labor-intensive SCIg has the potential to help alleviate nurse shortages and reduce overall health care costs in Canada. Health care professionals might consider advocating for home-based SCIg therapy for PID/SID patients when clinically appropriate.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».