Improving alcohol management in primary health care in Mexico: A return‐on‐investment analysis
Notice bibliographique
Résumé
INTRODUCTION: Alcohol screening, brief advice and referral to treatment (SBIRT) in primary health care is an effective strategy to decrease alcohol consumption at population level. However, there is relatively scarce evidence regarding its economic returns in non-high-income countries. The current paper aims to estimate the return-on-investment of implementing a SBIRT program in Mexican primary health-care settings. METHODS: Empirical data was collected in a quasi-experimental study, from 17 primary health-care centres in Mexico City regarding alcohol screening delivered by 145 health-care providers. This data was combined with data from a simulation study for a period of 10 years (2008 to 2017). Economic investments were calculated from a public sector health-care perspective as clinical consultation costs (salary and material costs) and program costs (set-up, adaptation, implementation strategies). Economic return was calculated as monetary gains in the public sector health-care, estimated via simulated reductions in alcohol consumption, dependent on population coverage of alcohol interventions delivered to primary health-care patients. RESULTS: Results showed that scaling up a SBIRT program in Mexico over a 10-year period would lead to positive return-on-investment values ranging between 21% in scenario 4 (confidence interval -8.6%, 79.5%) and 110% in scenario 5 (confidence interval 51.5%, 239.8%). Moreover, over the 10-year period, up to 16,000 alcohol-related deaths could be avoided as a result of implementing the program. DISCUSSION AND CONCLUSIONS: SBIRT implemented at national level in Mexico may lead to substantial financial gains from a public sector health-care perspective.
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 | 0,001 | 0,002 |
| 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 ».