Principal components analysis of drug expenditure and utilisation trends for major therapeutic classes in US Medicaid programmes
Notice bibliographique
Résumé
OBJECTIVE: Drug expenditures have been increasing much faster than spending on other medical services and have become burdensome for state Medicaid programmes. The purpose of this study was to analyse these trends across major therapeutic classes and to identify their similarities and differences. METHODS: Using national claims data from the Centers for Medicare & Medicaid Services for 1991 quarter 1 through to 2004 quarter 4, expenditures and prescriptions were aggregated across all drugs in 64 different therapeutic classes, providing 128 (64 x 2) different time series, most of length 56 quarters. Principal components analysis (PCA) was then applied to the data. RESULTS: PCA revealed three principal components that accounted for 90% (92%) of total variation in Medicaid drug expenditure (utilisation) patterns. The first principal component (PC1), explaining 66% (67%) of the variation, is an exponential-like upward trend; PC2, explaining 17% (14%) of the variation, represents an increasing-then-decreasing pattern; and PC3, explaining 7% (11%) of the variation, represents an up-and-down cyclical pattern. Highly correlated with PC1 are antiretrovirals, antiseizure agents and corticoid steroids, among other drug classes. CONCLUSION: Most drug therapeutic classes exhibited exponential-like upward expenditure (and utilisation) trends, clearly illustrating the overall rising expenditure burden for Medicaid.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».