Trends in health care spending on kidney cancer in the United States, 1996–2016
Notice bibliographique
Résumé
BACKGROUND: Paradigm shifts in kidney cancer management have led to higher health care spending. Here, total and per capita health care spending and primary drivers of change in health expenditures for kidney cancer in the United States between 1996 and 2016 are estimated. METHODS: Public databases developed by the Institute for Health Metrics and Evaluation for the Disease Expenditure Project were used. The prevalence of kidney cancer was estimated from the Global Burden of Disease Study. Changes in health care spending on kidney cancer were assessed by joinpoint regression and expressed as annual percent changes (APCs). RESULTS: In 2016, total health care spending on kidney cancer was $3.42 billion (95% CI, $2.91 billion to $3.89 billion) compared with $1.18 billion (95% CI, $1.07 billion to $1.31 billion) in 1996. Per capita spending had two inflection points in 2005 and 2008, close to the approval years of targeted therapies, which corresponded to APCs of +2.9% (95% CI, +2.3% to +3.6%; p < .001) per year, 1996-2005; +9.2% (95% CI, +3.4% to +15.2%; p = .004) per year, 2005-2008; and +3.1% (95% CI, +2.2% to +3.9%; p < .001) per year, 2008-2016. Inpatient care was the largest contributor to health expenditures, which accounted for $1.56 billion (95% CI, $1.19 billion to $1.95 billion) in 2016. Price and intensity of care was the primary driver of increased health expenditures, whereas service utilization was the primary driver of reduced health expenditures. CONCLUSIONS: Prevalence-adjusted health care spending on kidney cancer continues to rise in the United States, which is primarily attributable to inpatient care and driven by the price and intensity of care over time.
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 | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 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) | 0,002 | 0,001 |
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 ».