The cost of diabetes in Canada over 10 years: applying attributable health care costs to a diabetes incidence prediction model
Notice bibliographique
Résumé
INTRODUCTION: Our objective was to estimate the future direct health care costs due to diabetes for a 10-year period in Canada using national survey data, a validated diabetes risk prediction tool and individual-level attributable cost estimates. METHODS: We used the Diabetes Population Risk Tool to predict the number of new diabetes cases in those aged 20 years and above over a 10-year period (to 2022), using 2011 and 2012 Canadian Community Health Survey data. We derived attributable costs due to diabetes from a propensity-matched case control study using the Ontario Diabetes Database and other administrative data. We calculated total costs by applying the respective attributable costs to the incident cases, accounting for sex, year of diagnosis and annual disease-specific mortality rates. RESULTS: The predicted 10-year risk of developing diabetes for the Canadian population in 2011/12 was 9.98%, corresponding to 2.16 million new cases. Total health care costs attributable to diabetes during this period were $7.55 billion for females and $7.81 billion for males ($15.36 billion total). Acute hospitalizations accounted for the greatest proportion of costs (43.2%). A population intervention resulting in 5% body weight loss would save $2.03 billion in health care costs. A 30% risk-reduction intervention aimed at individuals with the highest diabetes risk (i.e. the top 10% of the highest-risk group) would save $1.48 billion. CONCLUSION: Diabetes represents a heavy health care cost burden in Canada through to the year 2022. Our future cost calculation method can provide decision makers and planners with an accessible and transparent tool to predict future expenditures attributable to the disease and the corresponding cost savings associated with interventions.
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 | 0,000 | 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 ».