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 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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».