MétaCan
Menu
Retour à la cohorte
Enregistrement W2118800466 · doi:10.1176/appi.ps.52.9.1245

Lessons Learned From Trends in Psychotropic Drug Expenditures in a Canadian Province

2001· article· en· W2118800466 sur OpenAlexaffabout
Carolyn S. Dewa, Paula Goering

Notice bibliographique

RevuePsychiatric Services · 2001
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensUniversity of TorontoCentre for Addiction and Mental Health
Organismes subventionnairesnon disponible
Mots-clésPsychotropic drugMedical prescriptionDrugHealth careQuality (philosophy)Psychotropic AgentMedicinePublic economicsPsychiatryBusinessEconomicsEconomic growthPharmacology

Résumé

récupéré en direct d'OpenAlex

Although prescription drug prices are lower in Canada than in the United States, trends indicate that there has nevertheless been a steep increase in expenditures on psychotropic drugs. Between 1992 and 1998, such expenditures increased by 216 percent; 61 percent of these expenditures were on antidepressants, 33 percent on antipsychotics, and less than 7 percent on anxiolytics. Most of the increase in costs in Canada is attributable to a greater use of newer agents and the higher prices of these agents. These trends are a reminder not only that the use of newer, more expensive psychotherapeutic agents has become a widely embraced part of care but also that lower drug prices do not necessarily insulate a health care system from rising expenditures. The authors' findings prompt the questions of whether the use of these newer agents meets practice guidelines and whether there are ways to control the increases in drug expenditures while ensuring high-quality care.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,402
Score d'incertitude au seuil0,866

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,303
Écart entre enseignants0,252 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2001
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePsychiatric ServicesMême sujetHealthcare Policy and ManagementTravaux en français237 207