Total healthcare cost savings through improved bipolar I disorder identification using the Rapid Mood Screener in patients diagnosed with major depressive disorder
Notice bibliographique
Résumé
INTRODUCTION: Misdiagnosis of bipolar I disorder (BP-I) as major depressive disorder (MDD) leads to increased healthcare resource utilization and costs. The cost-effectiveness of the Rapid Mood Screener (RMS), a tool to identify BP-I in patients with depressive symptoms, was assessed in patients diagnosed with MDD presenting with depressive episodes. METHODS: A decision-tree model of a hypothetical cohort of 1000 patients in a US health plan was used to estimate the number of correct diagnoses and overall total, direct healthcare costs over a 3-year timeframe for RMS-screened versus unscreened patients. Model inputs included the prevalence of BP-I in patients diagnosed with MDD, RMS sensitivity/specificity, and the cost of misdiagnosing BP-I as MDD. RESULTS: Screening with the RMS resulted in 171, 159, and 143 additional correct BP-I or MDD diagnoses at Years 1, 2, and 3, respectively. Total healthcare plan cost savings were $1279 per patient in Year 1. Cumulative cost savings per patient for RMS screening versus no RMS screening were $2307 over 2 years and $3011 over 3 years. Scenario analyses showed that the RMS would remain cost-saving assuming a lower prevalence of BP-I (20% or 10%) versus the base case (24.3%). CONCLUSION: The RMS is a cost-effective tool to identify BP-I in patients who would otherwise be misdiagnosed with MDD. Screening with the RMS resulted in cost-savings over 3 years, with model results remaining robust even with lower prevalence of BP-I and reduced RMS sensitivity assumptions.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».