Rates of Mental Illness and Addiction among High-Cost Users of Medical Services in Ontario
Notice bibliographique
Résumé
OBJECTIVE: To quantify the burden of mental illness and addiction among high-costing users of medical services (HCUs) using population-level data from Ontario, and compare to a referent group of nonusers. METHOD: We conducted a population-level cohort study using health administrative data from fiscal year 2011-2012 for all Ontarians with valid health insurance as of April 1, 2011 (N = 10,909,351). Individuals were grouped based on medical costs for hospital, emergency, home, complex continuing, and rehabilitation care in 2011-2012: top 1%, top 2% to 5%, top 6% to 50%, bottom 50%, and a zero-cost nonuser group. The rate of diagnosed psychotic, major mood, and substance use disorders in each group was compared to the zero-cost referent group with adjusted odds ratios (AORs) for age, sex, and socioeconomic status. A sensitivity analysis included anxiety and other disorders. RESULTS: Mental illness and addiction rates increased across cost groups affecting 17.0% of the top 1% of users versus 5.7% of the zero-cost group (AOR, 3.70; 95% confidence interval [CI], 3.59 to 3.81). This finding was most pronounced for psychotic disorders (3.7% vs. 0.7%; AOR, 5.07; 95% CI, 4.77 to 5.38) and persisted for mood disorders (10.0% vs. 3.3%; AOR, 3.52; 95% CI, 3.39 to 3.66) and substance use disorders (7.0% vs. 2.3%; AOR, 3.82; 95% CI, 3.66 to 3.99). When anxiety and other disorders were included, the rate of mental illness was 39.3% in the top 1% compared to 21.3% (AOR, 2.39; 95% CI, 2.34 to 2.45). CONCLUSIONS: A high burden of mental illness and addiction among HCUs warrants its consideration in the design and delivery of services targeting HCUs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».