MétaCan
Menu
← Retour à la cohorte
Enregistrement W2897088769 · doi:10.1136/lupus-2018-lsm.42

CS-07 Economic evaluation of damage accrual in an international SLE inception cohort

2018· article· zh· W2897088769 sur OpenAlexaffabout
Ann E. Clarke, Ian N Bruce, Murray B. Urowitz, John G. Hanly, Juanita Romero‐Díaz, Caroline Gordon, Sang‐Cheol Bae, Sasha Bernatsky, Daniel J. Wallace, Joan T. Merrill, David Isenberg, Anisur Rahman, Ellen M. Ginzler, Michelle Petri, MA Dooley, Paul R. Fortin, Dafna D. Gladman, Jorge Sánchez‐Guerrero, Kristján Steinsson, Rosalind Ramsey‐Goldman, Munther A. Khamashta, Cynthia Aranow, Graciela S. Alarcón, Susan Manzi, Ola Nived, Asad Zoma, Ronald van Vollenhoven, Manuel Ramos‐Casals, Guillermo Ruiz‐Irastorza, S Sam Lim, Kenneth Kalunian, Murat İnanç, Diane L. Kamen, Christine Peschken, Søren Jacobsen, Anca Askanase, Yvan St. Pierre, Li Su, Vernon T. Farewell

Notice bibliographique

Revuenon disponible
Typearticle
Languezh
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensMcGill University Health CentreUniversity of TorontoDalhousie UniversityUniversity of ManitobaCentre hospitalier universitaire de QuébecToronto Western HospitalUniversité LavalQueen Elizabeth II Health Sciences CentreUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMedicineCohortAccrualDemographicsDemographyHealth careEthnic groupInternal medicineEmergency medicinePediatricsFinance

Résumé

récupéré en direct d'OpenAlex

Background Little is known about the association of healthcare costs with damage accrual in SLE. We describe the costs associated with damage progression using multi-state modeling. Methods Patients fulfilling the revised ACR Classification Criteria for SLE from 32 centres in 11 countries were enrolled in the Systemic Lupus International Collaborating Clinics (SLICC) inception cohort within 15 months of diagnosis. Annual data on demographics, SLE disease activity (SLEDAI-2K), damage (SLICC/ACR Damage Index [SDI] if ≥6 months from diagnosis), hospitalizations, medications, dialysis, and utilization of selected medical/surgical procedures were collected. Annual health resource utilization was costed using 2017 Canadian prices. Annual costs associated with SDI states were obtained from multiple regressions adjusting for age, sex, race/ethnicity, and disease duration. As there were relatively few transitions to SDI states 5–11, these were merged into a single SDI state. Five and 10 year cumulative costs were estimated by multiplying annual costs associated with each SDI state by the expected duration in each state, which was forecasted using a multi-state model and longitudinal SDI data from the SLICC Inception Cohort (Bruce IN et al. Ann Rheum Dis 2015;74:1706–13). Future costs were discounted at a yearly rate of 3%. Results 1676 patients participated, 88.7% female, 49.2% Caucasian, mean age at diagnosis 34.6 years (SD 13.4), mean disease duration at enrollment 0.5 years (range 0–1.3 years), and mean follow up 7.8 years (range 0.6–16.9 years). Health resource utilization and annual costs (after adjustment using regression) were markedly higher in those with higher SDIs (SDI=0, annual costs $1847, 95% CI $1120 to $2574; SDI≥5, annual costs $26 772, 95% CI $19 631 to $33 813). At SDI≤2, hospitalizations and medications accounted for 97.1% of direct costs, whereas at SDI≥3, dialysis was responsible for 55.0%. Five and 10 year cumulative costs stratified by baseline SDI were calculated by multiplying the annual costs associated with each SDI by the expected duration in that state. Five and 10 year costs were greater in those with the highest SDIs at baseline (table 1). Conclusions Patients with the highest baseline SDIs incur annual costs and 10 year cumulative costs that are at least 10-fold higher than those with the lowest baseline SDI. By estimating the expected duration in each SDI state and incorporating annual costs, disease severity at presentation can be used to predict future healthcare costs, critical knowledge for cost-effectiveness evaluations of novel therapies. Acknowledgements The Systemic Lupus International Collaborating Clinics (SLICC) research network received partial funding for this study from UCB Pharmaceuticals.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,026
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,065
Score d'incertitude au seuil0,130

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,026
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,004
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,426
Tête enseignante GPT0,504
Écart entre enseignants0,078 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetHealth Systems, Economic Evaluations, Quality of Life→Travaux en français237 207→