Distribution and trajectory of direct and indirect costs of idiopathic inflammatory myopathies
Notice bibliographique
Résumé
OBJECTIVES: To estimate the annual direct and indirect costs associated with Idiopathic Inflammatory Myopathies (IIM) over time, including the pre-diagnostic period. METHODS: A cohort of incident adult IIM patients (n = 673) was identified from the Swedish National Patient Register from 2010 to 2016 and matched with general population comparators (n = 3343). Follow-up started at IIM diagnosis and corresponding date in the general population. International Classification of Diseases codes (ICD-10) were used for IIM case definition. Costs were calculated using national register data. RESULTS: The costs related to IIM started to increase 2 years before diagnosis. In the year following diagnosis, the mean annual IIM cost was €21 639 compared to €4816 in the general population. Five years after diagnosis, the mean annual cost in the IIM cohort was €12 796. Outpatient visits, hospitalizations and productivity loss were the components driving the increment in overall annual disease-related expenditures. Indirect costs accounted for a significant portion of IIM long-term societal costs. The highest costs were found in individuals of working age with cancer-associated IIM. CONCLUSIONS: The mean annual costs in IIM were 3 to 5 times higher than in the general population in the 5-year period following diagnosis. These costs started to increase long before diagnosis, were at their peak in the year post-diagnosis and remained elevated thereafter. Indirect costs contributed to a substantial portion of this increment. Early in the IIM disease course, clinicians and allied health professionals should aim to improve function, reduce damage and address barriers to return-to-work to mitigate these costs.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».