A population-based comparison of cancer and non-cancer related healthcare costs.
Notice bibliographique
Résumé
e18900 Background: Costs associated with cancer care are increasing. Evaluating costs in the context of common comorbidities has not been extensively studied in a population-based setting. Knowledge from such analyses can better inform healthcare resource allocation and highlight strategies to reduce overall costs. Methods: Using data from a population-based administrative database comprised of health insurance claims, physician billing, and hospital discharge abstracts, we calculated healthcare costs (in CAD) for common comorbidities among the pediatric and adult population of a Canadian province for the 2014/15 fiscal year. We calculated incidence-adjusted healthcare costs for common cancers and comorbidities such as cardiovascular disease. Subgroup analysis was also performed for provincial administrative regions. Results: Total costs related to cancer care amounted to $522M for the province, of which $74M (14%) were attributed to radiation and chemotherapy. Among different cancer subtypes, hematologic malignancies were most costly at $78M, accounting for 15% of the total cancer budget, followed by colon cancer at $51M (10%) and lung cancer at $45M (9%). Cancer costs both with and without accounting for radiation and chemotherapy surpassed those of cardiovascular diseases, diabetes mellitus, mental health, and trauma, but were exceeded by the costs of liver disease (Table 1). Cancer costs varied by provincial administrative region. Conclusions: Cancer costs were greater than those of other common comorbidities, both with and without the costs of radiation and chemotherapy. Using provincial datasets to establish cost trends can help inform healthcare allocation and budget decision-making. Table 1. Incidence-adjusted costs (in CAD) per person per year for cancer and comorbidities. R&C = radiation and chemotherapy. Total Costs Cancer, with R&C 1951 Cancer, without R&C 1917 Cardiovascular disease 806 Diabetes mellitus 663 Liver disease 5208 Musculoskeletal disease 656 Mental health issues 487 Trauma 613
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».