Characteristics of high–drug-cost beneficiaries of public drug plans in 9 Canadian provinces: a cross-sectional analysis
Notice bibliographique
Résumé
BACKGROUND: Drugs are the fastest growing cost in the Canadian health care system, owing to the increasing number of high-cost drugs. The objective of this study was to examine the characteristics of high-drug-cost beneficiaries of public drug plans across Canada relative to other beneficiaries. METHODS: We conducted a cross-sectional study among public drug plan beneficiaries residing in all provinces except Quebec. We used the Canadian Institute for Health Information's National Prescription Drug Utilization Information System to identify all drugs dispensed to beneficiaries of public drug programs in 2016/17. We stratified the cohort into 2 groups: high-drug-cost beneficiaries (top 5% of beneficiaries based on annual costs) and other beneficiaries (remaining 95%). For each group, we reported total drug costs, prevalence of high-cost claims (> $1000), median number of drugs, proportion of beneficiaries aged 65 or more, the 10 most costly reimbursed medications and the 10 medications most commonly reimbursed. We reported estimates overall and by province. RESULTS: High-drug-cost beneficiaries accounted for nearly half (46.5%) of annual spending, with an average annual spend of $14 610 per beneficiary, compared to $1570 among other beneficiaries. The median number of drugs dispensed was higher among high-drug-cost beneficiaries than among other beneficiaries (13 [interquartile range (IQR) 7-19] v. 8 [IQR 4-13]), and a much larger proportion of high-drug-cost beneficiaries than other beneficiaries received at least 1 high-cost claim (40.9% v. 0.6%). Long-term medications were the most commonly used medications for both groups, whereas biologics and antivirals were the most costly medications for high-drug-cost beneficiaries. INTERPRETATION: High-drug-cost beneficiaries were characterized by the use of expensive medications and polypharmacy relative to other beneficiaries. Interventions and policies to help reduce spending need to consider both of these factors.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».