Identifying heavy health care users among primary care patients with chronic non-cancer pain
Notice bibliographique
Résumé
Objective: The objective of this study was to identify biopsychosocial factors predicting primary care chronic non-cancer pain (CNCP) patients’ risk of being heavy health care users.Methods: Patients reporting moderate to severe CNCP for at least 6 months with an active analgesic prescription from a primary care physician were recruited in community pharmacies. Recruited patients completed questionnaires documenting biopsychosocial characteristics. Using administrative databases, direct costs were estimated for health care services used by each patient in the year preceding and following the recruitment. Heavy health care users were defined as patients in the highest annual direct health care costs quartile. Logistic multivariate regression models using the Akaike information criterion were developed to identify predictors of heavy health care use.Results: The median annual direct health care cost incurred by heavy health care users (n = 63) was CAD (Canadian dollars) 7627, versus CAD 1554 for standard health care users (n = 188). The final predictive model of the risks of being a heavy health care user included pain located in the lower body (odds ratio [OR] = 3.03; 95% confidence interval [CI], 1.20–7.65), pain-related disability (OR = 1.24; 95% CI, 1.03–1.48), and health care costs incurred in the year prior to recruitment (OR = 17.67; 95% CI, 7.90–39.48). Variables in the model also included sex, comorbidity, patients’ depression level, and attitudes toward medical pain cure.Conclusion: Patients suffering from CNCP in the lower body and showing greater disability were more likely to be heavy health care users, even after adjusting for previous-year direct health care costs. Improving pain management for these patients could have positive impacts on health care use and costs.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».