Patient clusters and cost trajectories in the Swiss Atrial Fibrillation cohort
Notice bibliographique
Résumé
OBJECTIVE: Evidence on long-term costs of atrial fibrillation (AF) and associated factors is scarce. As part of the Swiss-AF prospective cohort study, we aimed to characterise AF costs and their development over time, and to assess specific patient clusters and their cost trajectories. METHODS: Swiss-AF enrolled 2415 patients with variable duration of AF between 2014 and 2017. Patient clusters were identified using hierarchical cluster analysis of baseline characteristics. Ongoing yearly follow-ups include health insurance clinical and claims data. An algorithm was developed to adjudicate costs to AF and related complications. RESULTS: A subpopulation of 1024 Swiss-AF patients with available claims data was followed up for a median (IQR) of 3.24 (1.09) years. Average yearly AF-adjudicated costs amounted to SFr5679 (€5163), remaining stable across the observation period. AF-adjudicated costs consisted mainly of inpatient and outpatient AF treatment costs (SFr4078; €3707), followed by costs of bleeding (SFr696; €633) and heart failure (SFr494; €449). Hierarchical analysis identified three patient clusters: cardiovascular (CV; N=253 with claims), isolated-symptomatic (IS; N=586) and severely morbid without cardiovascular disease (SM; N=185). The CV cluster and SM cluster depicted similarly high costs across all cost outcomes; IS patients accrued the lowest costs. CONCLUSION: Our results highlight three well-defined patient clusters with specific costs that could be used for stratification in both clinical and economic studies. Patient characteristics associated with adjudicated costs as well as cost trajectories may enable an early understanding of the magnitude of upcoming AF-related healthcare 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».