Heterogeneity in the costs of medical care among people living with HIV/AIDS in the United States
Notice bibliographique
Résumé
OBJECTIVE: The costs of medical care for people with HIV/AIDS (PWH) vary substantially across demographic groups, stages of disease progression and regionally across the United States. We aimed to estimate medical costs for PWH and examine the heterogeneity in costs within key patient groups typically distinguished in cost-effectiveness analyses. DESIGN: Retrospective cohort study using health administrative databases for diagnosed PWH in care at 17 HIV Research Network sites across the United States. METHODS: We estimated mean quarterly costs for key patient groups using multivariable generalized linear mixed effects models. We used quantile regression to highlight differences in the effect of covariates within each patient group (difference between covariate estimates at the mean versus the 90th percentile of quarterly costs), identifying covariates with a larger effect among the highest cost PWH, or generating greater uncertainty in mean cost estimates. RESULTS: Our sample included 40 022 patients with a median age of 39 years. Mean quarterly costs were highest for people who inject drugs with advanced disease progression and for PWH on antiretroviral treatment (ART). Within patient groups, we found the most heterogeneity at different levels of resource use for PWH on ART and PWH off ART with CD4 cell counts less than 200 cells/μl, people who inject drugs, as well as PWH in the South. CONCLUSION: The study quantifies heterogeneity in costs both across and within key PWH patient groups. Our results highlight the need for sensitivity analysis on cost estimates and may inform decisions on model structure in cost-effectiveness analyses on HIV/AIDS treatment and prevention strategies.
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 | 0,001 |
| 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 ».