The Health System Costs of Potentially Inappropriate Prescribing: A Population-Based, Retrospective Cohort Study Using Linked Health Administrative Databases in Ontario, Canada
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to determine the health system costs from hospitalizations, emergency department (ED) visits, and medications due to potentially inappropriate prescribing (PIP) in Ontario, Canada, at the population-level. METHODS: A retrospective cohort of individuals ≥ 66 years of age and prescribed at least one medication from April 2002 to March 2015 was identified using linked population-level health administrative databases from Ontario, Canada. Patients were identified as having PIP or no PIP by applying a subset of the Screening Tool of Older Persons' Potentially Inappropriate Prescribing/Screening Tool to Alert Doctors to Right Treatment (STOPP/START) criteria. The number of days spent in hospital, new medications prescribed, and ED visits in the 90 days following PIP or patient index date were captured, as well as the total costs from each of these health services. Count regression models were used to generate incidence rate ratios (IRRs) for each outcome given the presence of PIP versus no PIP and combined with the prevalence of PIP to generate population attributable fractions (PAFs). The PAF was then multiplied by the cost for each health service to obtain the costs attributable to PIP in the whole cohort, and by age and sex. RESULTS: PIP was associated with an increased rate of hospitalization (IRR 2.77, 95% confidence interval [CI] 2.72-2.82), ED visits (IRR 1.87, 95% CI 1.82-1.92), and newly prescribed medications (IRR 1.13, 95% CI 1.13-1.14), resulting in PAFs of 55.7, 37.9, and 5.0% for each outcome, respectively. PIP was associated with 38.8% of the total spent on these healthcare services ($1.22 billion) in the 90 days after PIP. Costs attributable to PIP decreased with age despite increasing prevalence. CONCLUSIONS: PIP in older adults is a significant source of health system costs from healthcare service use beyond medication costs, with a significant portion of hospitalizations and ED visit costs attributable to PIP. Future work should focus on identifying strategies and priorities for intervention.
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 | 0,002 | 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 | 0,000 |
| 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 ».