A Population-Level Comparison of Cancer-Related and Non-Cancer-Related Health Care Costs Using Publicly Available Provincial Administrative Data
Notice bibliographique
Résumé
Introduction: Costs associated with cancer care are increasing. Cancer costs in the context of other common non-cancer diagnoses have not been extensively studied at the population level. Knowledge from such analyses can inform health care resource allocation and highlight strategies to reduce overall costs. Methods: Using cross-sectional data from publicly available population-level administrative data sources (health insurance claims, physician billing, and hospital discharge abstracts), we calculated incidence-adjusted health care costs (in 2014 Canadian dollars) for cancers and common non-cancer diagnoses in the adult population in a large Canadian province. Subgroup analyses were also performed for various provincial health administrative regions. Results: Total costs related to cancer care amounted to $495 million for the province, of which at least $67 million (14%) was attributable to radiation and chemotherapy. Of the various cancer subtypes, hematologic malignancies were most costly at $70 million, accounting for 14% of the total cancer budget. Colon cancer followed at $51 million (10%), and lung cancer, at $44 million (9%). Cancer costs (with and without costs for radiation and chemotherapy) exceeded those for cardiovascular disease, diabetes mellitus, mental health, and trauma (p < 0.001). In addition, the costs of specific cancer subtypes varied by region, but hematologic and lung cancers were typically the most costly no matter the health region. Conclusions: Using provincial administrative data to establish cost trends can help to inform health care allocation and budget decisions, and can facilitate comparisons between provinces.
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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».