Burden of disease associated with a COPD eosinophilic phenotype
Notice bibliographique
Résumé
Purpose: Based on blood and sputum samples, up to 40% of patients with COPD have eosinophilic inflammation; however, there is little epidemiology data characterizing the health care burden within this sub-population. Given that COPD-attributable medical costs in the USA are predicted to approach $50 billion by 2020, we analyzed the effect of blood eosinophil counts and exacerbations on health care resource utilization and costs. Patients and methods: This cross-sectional study used electronic medical records and insurance claims data from the Reliant Medical Group (January 2011-December 2015). Eligible patients were ≥40 years of age, continuously enrolled during the year of interest (2012, 2013, 2014, or 2015), had ≥1 COPD-related code in the preceding year, and documented maintenance therapy use. Patients with ≥1 blood eosinophil count recorded were stratified into 2 cohorts: <150 cells/µL and ≥150 cells/µL. Endpoints included demographics, clinical characteristics, health care resource utilization, and costs. The impact of blood eosinophil count and exacerbation patterns on health care resource utilization and costs was assessed with multivariate analyses. Results: On average, 2,832 eligible patients were enrolled annually, of whom ~28% had ≥1 eosinophil count recorded during the year. The ≥150 cells/µL cohort had numerically higher all-cause and COPD-related health care resource utilization and cost each year compared with the <150 cells/µL cohort, but varied by service and year. Among patients with exacerbations, the ≥150 cells/µL cohort exhibited significantly higher COPD-related costs compared with the <150 cells/µL cohort. Conclusion: Blood eosinophil counts may be a useful biomarker for burden of disease in a subgroup of patients with COPD.
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 | 0,001 |
| 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) | 0,001 | 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 ».