Expenditures Of Metabolic Diseases – An Estimation on National Health Care Expenditures of Diabetes and Obesity, Hungary 2013
Notice bibliographique
Résumé
BACKGROUND: Obesity could be considered as the main consequence of unhealthy nutrition, responsible for many pathological alterations in human. Obese patients usually need more health care services. The aim of the study was to estimate the financial expenditures of health care provisions in Hungary, related to obesity and diabetes, as its main pathological consequence. METHODS: Data of the Hungarian National Health Insurance Fund (NHIF) were collected for 2013, regarding finances of secondary care, hospital services, reimbursement for medications and healing aids of diabetic patients together with selected morbidities linked to obesity, based on the codes of the International Classification of Diseases (ICD) and calculated their population prevalence on the population-attributable fraction (PAF). RESULTS: Financial data regarding diabetes care resulted in a 40,311 Million HUF (129 Million EUR) national fund expenses, beside a 7,173 Million HUF (23 Million EUR) contribution from patients. Estimated total health care expenditures related to obesity were 58,986 Million HUF (188 Million EUR) and the financial contribution of patients was calculated as 25,316 Million HUF (81 Million EUR). These data represent a 5.2% and 9.3% of the whole national health services, 16% and 30% of the whole drug-reimbursement budgets, respectively. CONCLUSIONS: Although expenditures for some obesity related pathologies analyzed in this paper represent 0.28% of the national GDP, considering other morbidities and other patient's expenses, the real ratio could be between 0.5-1%. The increasing number of overweight and obese persons requires more focus in public health, higher awareness in the society and more governmental support.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».