Can you hear us now? The impact of health-care utilization by rare disease patients in the United States
Notice bibliographique
Résumé
PURPOSE: The vast majority of rare diseases (RDs) are complex, disabling, and life-threatening conditions with a genetic origin. RD patients face significant health challenges and limited treatments, yet the extent of their impact within health care is not well known. One direct method to gauge the disease burden of RDs is their overall cost and utilization within health-care systems. METHODS: The 2016 Healthcare Cost and Utilization Project (HCUP) databases were used to extract health-care utilization data using International Classification of Diseases, Tenth Revision (ICD-10) codes. RESULTS: Of 35.6 million national hospital weighted discharges in the HCUP Nationwide Inpatient Sample, 32% corresponded to RD-associated ICD-10 codes. Total charges were nearly equal between RDs ($768 billion) compared to common conditions (CCs) ($880 billion) (p < 0.0001). These charges were a result of higher charges per discharge and longer length of stay (LOS) for RD patients compared to those with CCs (p < 0.0001). Health-care cost and utilization was similarly higher for RDs with pediatric inpatient stays, readmissions, and emergency visits. CONCLUSION: Pediatric and adult discharges with RDs show substantially higher health-care utilization compared to discharges with CCs diagnoses, accounting for nearly half of the US national bill.
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 | 0,001 | 0,006 |
| 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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».