Effects of 2018 Japan floods on healthcare costs and service utilization in Japan: a retrospective cohort study
Notice bibliographique
Résumé
BACKGROUND: Floods and torrential rains are natural disasters caused by climate change. Unfortunately, such events are more frequent and are increasingly severe in recent times. The 2018 Japan Floods in western Japan were one of the largest such disasters. This study aimed to evaluate the effect of the 2018 Japan Floods on healthcare costs and service utilization. METHODS: This retrospective cohort study included all patients whose receipts accrued between July 2017 and June 2019 in Hiroshima, Okayama, and Ehime prefectures using the National Database of Health Insurance Claims. We used Generalized Estimating Equations (GEEs) to investigate yearly healthcare costs during the pre-and post-disaster periods, quarterly high-cost patients (top 10%), and service utilization (outpatient care, inpatient care, and dispensing pharmacy) during the post-disaster period. After the GEEs, we estimated the average marginal effects as the attributable disaster effect. RESULTS: The total number of participants was 5,534,276. Victims accounted for 0.65% of the total number of participants (n = 36,032). Although there was no significant difference in pre-disaster healthcare costs (p = 0.63), post-disaster costs were $3,382 (95% CI: 3,254-3,510) for victims and $3,027 (95% CI: 3,015-3,038) for non-victims (p < 0.001). The highest risk difference among high-cost patients was 0.8% (95% CI: 0.6-1.1) in the fourth quarter. In contrast, the highest risk difference of service utilization was in the first quarter (outpatient care: 7.0% (95% CI: 6.7-7.4), inpatient care: 1.3% (95% CI: 1.1-1.5), and dispensing pharmacy: 5.9% (95% CI: 5.5-6.4)). CONCLUSION: Victims of the 2018 Japan Floods had higher medical costs and used more healthcare services than non-victims. In addition, the risk of higher medical costs was highest at the end of the observation period. It is necessary to estimate the increase in healthcare costs according to the disaster scale and plan for appropriate post-disaster healthcare service delivery.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».