Inpatient care utilisation and expenditure associated with objective physical activity: econometric analysis of the UK Biobank
Notice bibliographique
Résumé
BACKGROUND: Physical inactivity increases the risk of chronic disease and mortality. The high prevalence of physical inactivity in the UK is likely to increase financial pressure on the National Health Service. The UK Biobank Study offered an opportunity to assess the impact of physical inactivity on healthcare use and spending using individual-level data and objective measures of physical activity. The objective of this study was to assess the associations between objectively measured physical activity levels and future inpatient days and costs in adults in the UK Biobank study. METHODS: We conducted an econometric analysis of the UK Biobank study, a large prospective cohort study. The participants (n = 86,066) were UK adults aged 43-79 who had provided sufficient valid accelerometer data. Hospital inpatient days and costs were discounted and standardised to mean monthly values per person to adjust for the variation in follow-up times. Econometric models adjusted for BMI, long-standing illness, and other sociodemographic factors. RESULTS: Mean follow-up time for the sample was 28.11 (SD 7.65) months. Adults in the most active group experienced 0.037 fewer days per month (0.059-0.016) and 14.1% lower inpatient costs ( - £3.81 [ - £6.71 to - £0.91] monthly inpatient costs) compared to adults in the least active group. The relationship between physical activity and inpatient costs was stronger in women compared to men and amongst those in the lowest income group compared to others. The findings remained significant across various sensitivity analyses. CONCLUSIONS: Increasing physical activity levels in the UK may reduce inpatient hospitalisations and costs, especially in women and lower-income groups.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».