Application of Probabilistic Linkage: Compare Health Care Costs among Menopausal Women with Different Symptoms by Linking Women’s Registry & Claims Data
Notice bibliographique
Résumé
Objectives: Menopause symptoms are a good disease severity proxy for menopausal women, but are not available in claims database. We applied probabilistic linkage to add symptoms recorded in a registry database to claims data, and compare the healthcare costs among women with various symptoms. Methods: Women age 45 or older who used estrogen only hormone therapy (HT) were selected from a large U.S. claims database (04/01/2005-09/30/2008). Another group who used estrogen only HT with a menopause diagnosis was selected from the University of Michigan Women’s Registry Database. Logistic regression was used to calculate the propensity score for each patient controlling for osteoporosis, gynecological disorders/procedures, genital infection, gynecology system cancer, breast condition, gut condition, hormone disorder, nerve problem, and other individual comorbidities such as rheumatoid disease, depression, and blood clotting. Patients with the closest propensity score from each group were matched, and menopause symptoms for registry patients were added to the claims database records. After repeating probabilistic linkage 250 times, the mean and 95% confidence interval (CI) of healthcare costs during the follow-up period were calculated. Results: 80 patients from each population were matched after probabilistically linking 20,020 claims database patients with 83 registry database patients. The average cost of patients with at least one symptom was much higher than for patients without symptoms ($13,570 [95% CI: $13,459-$13,680] vs. $3,391 [95%CI: $3,345-$3,436], p-value<0.001). (1 US Dollar= 0.75 Euro) Cost differences were mainly from inpatient, physician visit, and pharmacy costs. Among patients with menopause symptoms, those with hot flashes had the highest costs ($10,127), followed by memory loss ($1,653), vaginal dryness ($864), reduced libido ($568), and mood swings ($358). Conclusions: Women with menopause symptoms incur higher healthcare costs than those without This study suggests symptoms are important determinants of healthcare expenses and their impact can be assessed by linking registry and claims databases.
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 | 0,043 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,004 |
| 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 ».