MétaCan
Menu
← Retour à la cohorte
Enregistrement W2516541082 · doi:10.1186/s12913-016-1685-y

Claims for disease-modifying therapy by Alberta non-insured health benefits clients

2016· article· en· W2516541082 sur OpenAlexafffundabout
Cheryl Barnabé, Bonnie Healy, Andrew Portolesi, Gilaad G. Kaplan, Brenda R. Hemmelgarn, Charles Weaselhead

Notice bibliographique

RevueBMC Health Services Research · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueRheumatoid Arthritis Research and Therapies
Établissements canadiensHealth CanadaBlue Quills First Nations CollegeUniversity of Calgary
Organismes subventionnairesCanadian Institutes of Health ResearchAlberta InnovatesFondation pour la Recherche MédicaleArthritis SocietyCanadian Rheumatology Association
Mots-clésMedicinePopulationDiseasePublic healthPharmacyAdjuvant therapyIncidence (geometry)CohortInternal medicinePhysical therapyIntensive care medicineFamily medicineCancerEnvironmental healthPathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Uncontrolled disease activity in inflammatory diseases of the joints, skin and bowel leads to morbidity and disability. Disease-modifying therapies are widely used to suppress this disease activity, but cost-coverage is variable. For Treaty First Nations and Inuit people in Canada without alternative private or public health insurance, cost-coverage for disease-modifying therapy is provided through Non-Insured Health Benefits (NIHB). Our objective was to describe the prevalence and patterns of treatment with disease-modifying therapy for the NIHB claimant population, and also examine adjuvant therapy (analgesics, non-steroidal anti-inflammatory drugs (NSAIDs), corticosteroids) use. METHODS: Cases (n = 2512) were defined by ≥1 claim for a disease-modifying anti-rheumatic drug (DMARD) or biologic between 1999 and 2012 in the NIHB pharmacy claim database. The proportion of the population with claims for individual agents and drug classes annually was calculated to estimate annual incidence and prevalence rates for use of disease-modifying therapy, and the prevalence of use of individual DMARDs, biologics and adjuvants. Differences in the proportion accessing adjuvant therapies and median doses in the 6 months following initiation of disease-modifying therapies was estimated. RESULTS: The incidence rate of treatment was calculated at an average of 127.5 cases per 100,000 population between 2001 and 2012, and the cumulative prevalence, accounting for patients lost to the database, increased and then stabilized at 1.3 % in the last three years of the study. Annual dispensation of methotrexate, combination DMARD therapy and biologic therapy approached 35 %, 19 %, and 10 % of the cohort respectively. A declining prevalence of claims for acetaminophen (28 % to 15 %) and anti-inflammatories (73 % to 63 %) occurred from 2000 to 2012, however corticosteroid (32 %) and opioid (65 %) dispensation remained stable. The proportion of patients with claims for NSAIDs (69.9 % to 61.1 %, p = 0.002), oral corticosteroids (45.4 % to 33.6 %, p < 0.001) and parenteral corticosteroids (16.2 % to 8.3 %, p = 0.002) decreased in the 6 months following biologic initiation. CONCLUSIONS: The proportion of NIHB clients with active claims for disease-modifying therapy is lower than expected based on existing epidemiologic knowledge of the prevalence of inflammatory conditions in the First Nations and Inuit populations. These findings should be further explored in order to optimize treatment outcomes for NIHB claimants with inflammatory disease.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,995
Score d'incertitude au seuil0,502

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0150,002

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 Opus0,063
Tête enseignante GPT0,419
Écart entre enseignants0,356 · 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 source (Gemma direct ou Codex distillé), 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
Publié2016
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMC Health Services Research→Même sujetRheumatoid Arthritis Research and Therapies→Travaux en français237 207→