Looking beyond Administrative Health Care Data: The Role of Socioeconomic Status in Predicting Future High-cost Patients with Mental Health and Addiction
Notice bibliographique
Résumé
INTRODUCTION: Previous research has shown that the socioeconomic status (SES)-health gradient also extends to high-cost patients; however, little work has examined high-cost patients with mental illness and/or addiction. The objective of this study was to examine associations between individual-, household- and area-level SES factors and future high-cost use among these patients. METHODS: We linked survey data from adult participants (ages 18 and older) of 3 cycles of the Canadian Community Health Survey to administrative health care data from Ontario, Canada. Respondents with mental illness and/or addiction were identified based on prior mental health and addiction health care use and followed for 5 years for which we ascertained health care costs covered under the public health care system. We quantified associations between SES factors and becoming a high-cost patient (i.e., transitioning into the top 5%) using logistic regression models. For ordinal SES factors, such as income, education and marginalization variables, we measured absolute and relative inequalities using the slope and relative index of inequality. RESULTS: = 1.34, 95% CI, 1.08 to 1.66), at the individual and household levels, respectively, and higher residential instability (OR = 1.72, 95% CI, 1.23 to 2.42, for most marginalized), at the area level, were associated with higher odds of becoming a high-cost patient within a 5-year period. Moreover, the inequality analysis suggested pro-high-SES gradients in high-cost transitions. CONCLUSIONS: Policies aimed at high-cost patients with mental illness and/or addiction, or those concerned with preventing individuals with these conditions from becoming high-cost patients in the health care system, should also consider non-clinical factors such as income as well as related dimensions including food security and homeownership.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».