The Economic Impacts of Myalgic Encephalomyelitis/Chronic Fatigue Syndrome in an Australian Cohort
Notice bibliographique
Résumé
Objectives This study aims to estimate direct and indirect health economic costs associated with government and out-of-pocket (OOP) expenditure based on health care service utilisation7 and lost income of participants and carers, as reported by Australian Myalgic Encephalomyelitis/Chronic Fatigue Syndrome (ME/CFS) patient survey participants. Design A cost of illness study was conducted to estimate Australian cost data for individuals with a ME/CFS diagnosis as determined by the Canadian Consensus Criteria (CCC), International Consensus Criteria (ICC) and the 1994 CDC Criteria (Fukuda). Setting and participants Survey participants identified from a research registry database provided self-report of expenditure associated with ME/CFS related healthcare across a one-month timeframe between 2017 and 2019. Main outcome measures ME/CFS related direct annual government health care costs, OOP health expenditure costs, indirect costs associated with lost income and health care service use patterns. Results The mean annual cost of health care related expenditure and associated income loss among survey participants meeting diagnostic criteria for ME/CFS was estimated at $14.5 billion. For direct OOP and Government health care expenditure, high average costs were related to medical practitioner attendance, diagnostics, natural medicines, and device expenditure, with an average attendance of 10.6 referred attendances per annum and 12.1 GP visits per annum related specifically to managing MECFS. Conclusions The economic impacts of ME/CFS in Australia are significant. Improved understanding of the illness pathology, diagnosis, and management, may reduce costs, improve patient prognosis and decrease the burden of ME/CFS in Australia.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».