Healthcare resource use and cost associated with timing of pharmacological treatment for major depressive disorder in the United States: a real-world study
Notice bibliographique
Résumé
Background: Guidelines recommend selective serotonin reuptake inhibitors (SSRI) and serotonin norepinephrine reuptake inhibitors (SNRI) as first-line treatments for major depressive disorder (MDD) and emphasize the importance of early pharmacological treatment as key factors to treatment success.Objectives: To compare the MDD-related healthcare resource utilization (HCRU) and cost among patients (1) with early vs late pharmacological treatment initiation and (2) achieving minimum therapeutic dose (MTD) early vs late.Methods: The MarketScan database (2010–2015) was used. Adults who were newly-treated with SSRI/SNRI within 12 months after the initial MDD diagnosis (index) were included. Patients who initiated SSRI/SNRI within 2 weeks of the index date were defined as early initiators; those who reached MTD within 4 weeks of index date were defined as early MTD achievers. MDD-related HCRU and costs per year after the index date were compared between early and late initiators and between early and late achievers using propensity score matching and generalized linear models.Results: Of the 55,539 patients, 60% were early initiators and 61% were early MTD achievers. The mean number of MDD-related outpatient visits per year were significantly higher for late initiator (6.7 vs 4.2, p < .001) and late MTD achievers (6.5 vs 4.5, p < .001) vs their early counterparts. Mean annual MDD-related outpatient, drug, and total cost were significantly higher for late initiators and MTD achievers vs the early groups.Conclusions: There is an opportunity to improve outcomes by treating MDD patients with SSRI/SNRI within 2 weeks and at or above the MTD within 4 weeks of diagnosis or less.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».