High‐Cost Users of Prescription Drugs: A Population‐Based Analysis from British Columbia, Canada
Notice bibliographique
Résumé
OBJECTIVE: To examine variation in pharmaceutical spending and patient characteristics across prescription drug user groups. DATA SOURCES: British Columbia's population-based linked administrative health and sociodemographic databases (N = 3,460,763). STUDY DESIGN: We classified individuals into empirically derived prescription drug user groups based on pharmaceutical spending patterns outside hospitals from 2007 to 2011. We examined variation in patient characteristics, mortality, and health services usage and applied hierarchical clustering to determine patterns of concurrent drug use identifying high-cost patients. PRINCIPAL FINDINGS: Approximately 1 in 20 British Columbians had persistently high prescription costs for 5 consecutive years, accounting for 42 percent of 2011 province-wide pharmaceutical spending. Less than 1 percent of the population experienced discrete episodes of high prescription costs; an additional 2.8 percent transitioned to or from high-cost episodes of unknown duration. Persistent high-cost users were more likely to concurrently use multiple chronic medications; episodic and transitory users spent more on specialized medicines, including outpatient cancer drugs. Cluster analyses revealed heterogeneity in concurrent medicine use within high-cost groups. CONCLUSIONS: Whether low, moderate, or high, costs of prescription drugs for most individuals are persistent over time. Policies controlling high-cost use should focus on reducing polypharmacy and encouraging price competition in drug classes used by ordinary and high-cost users alike.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,005 | 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 ».