Association between Non-Dietary Cardiovascular Health and Expenditures Related to Acute Coronary Syndrome in the US between 2008–2018
Notice bibliographique
Résumé
Abstract Background Acute Coronary Syndrome (ACS) causes the most deaths in the United States and accounts for the highest amount of healthcare spending. Cardiovascular Health (CVH) metrics have been widely used in primary prevention, but their benefits in secondary prevention on total healthcare expenditures related to ACS are largely unknown. This study aims to quantify the potential significance of ideal CVH scores as a tool in secondary cardiovascular disease prevention. Methods In a cross-sectional analytical study, ten years of Medical Expenditure Panel Survey (MEPS) data from 2008 to 2018 were pooled, comparing ACS to non-ACS subgroups, utilizing a Two-part model with log link and gamma distribution, since our sample had both positive and zero costs. Conditional on positive expenditure, healthcare expenditure amounts were measured as a function of ACS status, socio-demographics, and CVH while controlling for relevant covariates. Finally, interactions of ACS with CVH metrics and other key variables were included to allow for variations in the effect of these variables on the two subgroups. Results Improvements in CVH scores tended to reduce annual expenditures to a greater degree percentage-wise among ACS subjects compared to non-ACS groups, even though subjects with an ACS diagnosis tended to have approximately twice as big expenditures as similar subjects without an ACS diagnosis. Meanwhile, the financial impact of an ACS event on total expenditure would be approximately $88,500 ([95% CI, $70,200–106,900; p < 0.001]), and a unit improvement in CVH management score would generate savings of approximately $4160 ([95% CI, $5390–2950; p < 0.001]) in total health expenditures. Conclusion Effective secondary preventive measures through targeted behavioral endeavors and improved health factors, especially the normalization of hypertension, diabetes mellitus, body mass index, and smoking cessation, have the potential to reduce medical spending for ACS subgroups.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,000 |
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 ».