Evaluation of out‐of‐pocket pay genetic testing in a publicly funded healthcare system
Notice bibliographique
Résumé
When genetic tests are not funded publicly, out-of-pocket (OOP) pay options may be discussed with patients. We evaluated trends in genetic testing and OOP pay for two publicly funded British Columbia clinical programs serving >12 000 patients/year (The Hereditary Cancer Program [HCP] and Provincial Medical Genetics Program [PMGP]) between 2015-2019. Linear and regression models were used to explore the association of OOP pay with patient demographic variables at HCP. An interrupted time series and linear and logistic regression models were used on PMGP data to examine the effect of a change in the funding body. The total number of tests completed through PMGP, and HCP increased by 260% and 320%, respectively. OOP pay increased at HCP by 730%. The mean annual income of patients who paid OOP at HCP was ≥$3500 higher than in the group with funded testing (p < 0.0001). The likelihood of OOP pay increased at PMGP before the funding body change (OR per month: 1.07; 95% CI: 1.04, 1.10); while this likelihood had an immediate 87% drop when the change occurred (OR: 0.13; 95% CI: 0.06, 0.32). Patients with higher incomes are more likely to pay OOP. Financial barriers can create disparities in clinical outcomes. Funding decisions have a significant impact on rate of OOP pay.
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 | 0,074 | 0,012 |
| 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 | 0,000 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».