MétaCan
Menu
Retour à la cohorte
Enregistrement W3124121971 · doi:10.1002/cncr.33413

Expenditures among young adults with acute lymphoblastic leukemia by site of care

2021· article· en· W3124121971 sur OpenAlexaff
Julie Wolfson, Smita Bhatia, Jill P. Ginsberg, Laura Becker, David Bernstein, Henry J. Henk, Gary H. Lyman, Paul C. Nathan, Diane Puccetti, Jennifer J. Wilkes, Lena E. Winestone, Kelly Kenzik

Notice bibliographique

RevueCancer · 2021
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Financial Impacts of Cancer
Établissements canadiensHospital for Sick Children
Organismes subventionnairesStand Up To CancerAmerican Cancer Society
Mots-clésMedicineIncidence (geometry)Adverse effectOutpatient visitsLymphoblastic LeukemiaEmergency medicineRate ratioDemographyHealth carePediatricsInternal medicineLeukemiaConfidence interval

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Individuals diagnosed with acute lymphoblastic leukemia (ALL) between the ages of 22 and 39 years experience worse outcomes than those diagnosed when they are 21 years old or younger. Treatment at National Cancer Institute-designated Comprehensive Cancer Centers (CCC) mitigates these disparities but may be associated with higher expenditures. METHODS: Using deidentified administrative claims data (OptumLabs Data Warehouse), the cancer-related expenditures were examined among patients with ALL diagnosed between 2001 and 2014. Multivariable generalized linear model with log-link modeled average monthly health-plan-paid (HPP) expenditures and amount owed by the patient (out-of-pocket [OOP]). Cost ratios were used to calculate excess expenditures (CCC vs non-CCC). Incidence rate ratios (IRRs) compared CCC and non-CCC monthly visit rates. Models adjusted for sociodemographics, comorbidities, adverse events, and months enrolled. RESULTS: Clinical and sociodemographic characteristics were comparable between CCC (n = 160) and non-CCC (n = 139) patients. Higher monthly outpatient expenditures in CCC patients ($15,792 vs $6404; P < .001) were driven by outpatient hospital HPP expenditures. Monthly visit rates and per visit expenditures for nonchemotherapy visits (IRR = 1.6; P = .001; CCC = $8247, non-CCC = $1191) drove higher outpatient hospital expenditures among CCCs. Monthly OOP expenditures were higher at CCCs for outpatient care (P = .02). Inpatient HPP expenditures were significantly higher at CCCs ($25,918 vs $13,881; ꞵ = 0.9; P < .001) before accounting for adverse events but were no longer significant after adjusting for adverse events (ꞵ = 0.4; P = .1). Hospitalizations and length of stay were comparable. CONCLUSIONS: Young adults with ALL at CCCs have higher expenditures, likely reflecting differences in facility structure, billing practices, and comprehensive patient care. It would be reasonable to consider CCCs comparable to the oncology care model and incentivize the framework to achieve superior outcomes and long-term cost savings. LAY SUMMARY: Health care expenditures in young adults (aged 22-39 years) with acute lymphoblastic leukemia (ALL) are higher among patients at National Cancer Institute-designated Comprehensive Cancer Centers (CCC) than those at non-CCCs. The CCC/non-CCC differences are significant among outpatient expenditures, which are driven by higher rates of outpatient hospital visits and outpatient hospital expenditures per visit at CCCs. Higher expenditures and visit rates of outpatient hospital visits among CCCs may also reflect how facility structure and billing patterns influence spending or comprehensive care. Young adults at CCCs face higher inpatient HPP expenditures; these are driven by serious adverse events.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,267
Score d'incertitude au seuil0,959

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,205
Écart entre enseignants0,198 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancerMême sujetEconomic and Financial Impacts of CancerTravaux en français237 207