Health insurance affects the use of disease-modifying therapy in multiple sclerosis
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the association between health insurance coverage and disease-modifying therapy (DMT) use for multiple sclerosis (MS). METHODS: In 2014, we surveyed participants in the North American Research Committee on MS registry regarding health insurance coverage. We investigated associations between negative insurance change and (1) the type of insurance, (2) DMT use, (3) use of free/discounted drug programs, and (4) insurance challenges using multivariable logistic regressions. RESULTS: Of 6,662 respondents included in the analysis, 6,562 (98.5%) had health insurance, but 1,472 (22.1%) reported negative insurance change compared with 12 months earlier. Respondents with private insurance were more likely to report negative insurance change than any other insurance. Among respondents not taking DMTs, 6.1% cited insurance/financial concerns as the sole reason. Of respondents taking DMTs, 24.7% partially or completely relied on support from free/discounted drug programs. Of respondents obtaining DMTs through insurance, 3.3% experienced initial insurance denial of DMT use, 2.3% encountered insurance denial of DMT switches, and 1.6% skipped or split doses because of increased copay. For respondents with relapsing-remitting MS, negative insurance change increased their odds of not taking DMTs (odds ratio [OR] 1.50; 1.16-1.93), using free/discounted drug programs for DMTs (OR 1.89; 1.40-2.57), and encountering insurance challenges (OR 2.48; 1.64-3.76). CONCLUSIONS: Insurance coverage affects DMT use for persons with MS, and use of free/discounted drug programs is substantial and makes economic analysis that ignores these supplements potentially inaccurate. The rising costs of drugs and changing insurance coverage adversely affect access to treatment for persons with MS.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».