Healthcare Utilization and Costs of Systemic Lupus Erythematosus by Disease Severity in the United States
Notice bibliographique
Résumé
OBJECTIVE: To quantify healthcare utilization and costs by disease severity for patients with systemic lupus erythematosus (SLE) in the United States. METHODS: We conducted descriptive analyses of Humedica electronic health record (EHR) data from 2011 to 2015 (utilization analysis) and integrated Optum administrative claims/Humedica EHR data from 2012 to 2015 (cost analysis) for patients with SLE. All-cause utilization outcomes examined were hospitalizations, outpatient visits, emergency department (ED) visits, and prescription drug use. Analyses of costs stratified by disease severity were limited to patients enrolled in an Optum-participating health insurance plan for ≥ 1 year after the earliest observed SLE diagnosis date. Costs were converted to 2016 US dollars (US$). RESULTS: Healthcare utilization was evaluated in 17,257 patients with SLE. Averaged over the 2011-2015 study period, 13.7% of patients had ≥ 1 hospitalization per year, 25.7% had ≥ 1 ED visit, and 94.4% had ≥ 1 outpatient visit. Utilization patterns were generally similar across each year studied. Annually, 88.0% of patients had ≥ 1 prescription, including 1.3% who used biologics. Biologic treatment doubled between 2011 (0.7%) and 2015 (1.4%). Cost analyses included 397 patients. From 2012 to 2015, patients with severe SLE had mean annual costs of $52,951, compared with $28,936 and $21,052 for patients with moderate and mild SLE, respectively. Patients with severe SLE had increased costs in all service categories: inpatient, ED, clinic/office visits, and pharmacy. CONCLUSION: Patients from the US with SLE, especially individuals with moderate or severe disease, utilize significant healthcare resources and incur high medical costs.
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) | 0,001 | 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 ».