Who Benefits Most from Collaborative Dementia Care from a Patient and Payer Perspective? A Subgroup Cost-Effectiveness Analysis
Notice bibliographique
Résumé
BACKGROUND: Dementia care management (DCM) aims to provide optimal treatment for people with dementia (PwD). Treatment and care needs are dependent on patients' sociodemographic and clinical characteristics and thus, economic outcomes could depend on such characteristics. OBJECTIVE: To detect important subgroups that benefit most from DCM and for which a significant effect on cost, QALY, and the individual cost-effectiveness could be achieved. METHODS: The analysis was based on 444 participants of the DelpHi-trial. For each subgroup, the probability of DCM being cost-effective was calculated and visualized using cost-effectiveness acceptability curves. The impact of DCM on individual costs and QALYs was assessed by using multivariate regression models with interaction terms. RESULTS: The probability of DCM being cost-effective at a willingness-to-pay of 40,000€ /QALY was higher in females (96% versus 16% for males), in those living alone (96% versus 26% for those living not alone), in those being moderately to severely cognitively (100% versus 3% for patients without cognitive impairment) and functionally impaired (97% versus 16% for patients without functional impairment), and in PwD having a high comorbidity (96% versus 26% for patients with a low comorbidity). Multivariate analyses revealed that females (b = -10,873; SE = 4,775, p = 0.023) who received the intervention had significantly lower healthcare cost. DCM significantly improved QALY for PwD with mild and moderate cognitive (b = +0.232, SE = 0.105) and functional deficits (b = +0.200, SE = 0.095). CONCLUSION: Patients characteristics significantly affect the cost-effectiveness. Females, patients living alone, patients with a high comorbidity, and those being moderately cognitively and functionally impaired benefit most from DCM. For those subgroups, healthcare payers could gain the highest cost savings and the highest effects on QALYs when DCM will be implemented.
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 | 0,026 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,022 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».