Self-reported versus administrative data records: implications for assessing healthcare resource utilization of mental disorders
Notice bibliographique
Résumé
Abstract Background: Data on resourceuse are frequently required for health economic evaluation. Studies on health care utilization in individuals with mental disorders have analyzed both self-reports and administrative data, each of which with strengths and limitations. Source of data may affect the quality of cost analysis and compromise the accuracy of results. We sought to ascertain the degree of agreement between self-reports and statutory health insurance (SHI) fund claims data from patients with mental disorders to aid in the selection of data collection methods. Methods:Claims data from six German SHI and self-reported data were obtained along with a cost-effectiveness analysis performed as a part of a controlled prospective multicenter cohort study conducted in 18 psychiatric hospitals in Germany (PsychCare), including patients with pre-defined common and/or severe psychiatric disorders. Self-reported data were collected using the German adaption of the Client Sociodemographic and Service Receipt Inventory (CSSRI-D) questionnaire with a 6-month recall period. Data linkage was performed using a unique pseudonymized identifier. Healthcare utilization (HCU) was calculated for inpatient and outpatient care, day-care services, home treatment, and pharmaceuticals. Concordance was measured using Cohen’s Kappa and intraclass correlation coefficient. Regression approaches were used to investigate the effect of independent variables on the dichotomous and quantitative agreements. Results: In total 274 participants (mean age 47.8 [SD = 14.2] years; 47.08% women) were included in the analysis. Kappa values were 0.03 for outpatient contacts, 0.25 for medication use, 0.56 for inpatient days and 0.67 for day-care services. There was varied quantitative agreement between data sources, with the poorest agreement for outpatient care (ICC [95% CI] = 0.22 [0.10-0.33]) and the best for psychiatric day-care services (ICC [95% CI] = 0.72 [0.66-0.78]). Marital status and time since first treatment positively affected the chance of agreement on any use of outpatient services. Conclusions: Concordance between administrative records and patient self-reports was fair to moderate for most of the healthcare services analyzed. Health economic studies should consider using linked or at least different data sources to estimate HCU or focus the primary data-based surveys in specific utilization areas, where unbiased information can be expected.
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 | 0,156 | 0,417 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 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 ».