Estimating patient-borne water and electricity costs in home hemodialysis: a simulation
Notice bibliographique
Résumé
BACKGROUND: Home hemodialysis is associated with lower costs to the health care system compared with conventional facility-based hemodialysis because of lower staffing and overhead costs, and by transferring the treatment cost of utilities (water and power) to the patient. The purpose of this study was to determine the utility costs of home hemodialysis and create a formula such that patients and renal programs can estimate the annual patient-borne costs involved with this type of treatment. METHODS: Seven common combinations of treatment duration and dialysate flows were replicated 5 times using various combinations of home hemodialysis and reverse osmosis machines. Real-time utility (electricity and water) consumption was monitored during these simulations. A generic formula was developed to allow patients and programs to calculate a more precise estimate of utility costs based on individual combinations of dialysis intensity, frequency and utility costs unique to any patient. RESULTS: Using typical 2014 utility costs for Edmonton, the most expensive prescription was for nocturnal home hemodialysis (8 h at 300 mL/min, 6 d/wk), which resulted in a utility cost of $1269 per year; the least expensive prescription was for conventional home hemodialysis (4 h at 500 mL/min, 3 d/wk), which cost $420 per year. Water consumption makes up most of this expense, with electricity accounting for only 12% of the cost. INTERPRETATION: We show that a substantial cost burden is transferred to the patient on home hemodialysis, which would otherwise be borne by the renal program.
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 | 0,000 |
| 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 ».