Economic Burden of Depression and Associated Resource Use in Manitoba, Canada
Notice bibliographique
Résumé
Objectives To characterize the health-care utilization and economic burden associated with depression in Manitoba, Canada. Methods Patient-level data were retrieved from the Manitoba Centre for Health Policy administrative, clinical, and laboratory databases for the study period of January 1, 1996, through December 31, 2016. Patients were assigned to the depression cohort based on diagnoses recorded in hospitalizations and outpatient physician claims, as well as antidepressant prescription drug claims. A comparison cohort of nondepressed subjects, matched with replacement for age, gender, place of residence (urban vs. rural), and index date, was created. Demographics, comorbidities, intentional self-harm, mortality, health-care utilization, prescription drug utilization, and costs of health-care utilization and social services were compared between depressed patients and matched nondepressed patients, and incidence rate ratios and hazard ratios were reported. Results There were 190,065 patients in the depression cohort and 378,177 patients in the nondepression cohort. Comorbidities were 43% more prevalent among depressed patients. Intentional self-harm, all-cause mortality, and suicide mortality were higher among patients with depression than the nondepression cohort. Health-care utilization—including hospitalizations, physician visits, physician-provided psychotherapy, and prescription drugs—was higher in the depression than the nondepression cohort. Mean health-care utilization costs were 3.5 times higher among depressed patients than nondepressed patients ($10,064 and $2,832, respectively). Similarly, mean social services costs were 3 times higher ($1,522 and $510, respectively). Overall, depression adds a total average cost of $8,244 ( SD = $40,542) per person per year. Conclusions Depression contributes significantly to health burden and per patient costs in Manitoba, Canada. Extrapolation of the results to the entire Canadian health-care system projects an excess of $12 billion annually in health system spending.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».