A Model Predicting Healthcare Capacity Gaps For Alzheimer’s Disease-Modifying Treatment in Canada
Notice bibliographique
Résumé
BACKGROUND: Alzheimer's disease (AD) is experienced by > 600,000 Canadians. Disease-modifying therapies (DMTs) for earlier stages of disease are in development. Existing health system capacity constraints and the need for biomarker-driven diagnostics to confirm DMT eligibility are concerning. This study aimed to characterize the capacity gap related to early AD (eAD) treatment with DMTs in Canada. METHODS: A capacity model was developed to simulate the flow of a patient from screening to treatment for eAD to quantify the gap between available and required healthcare resources and qualify the bottlenecks restricting the patient journey at a provincial and national level. The model inputs (epidemiological, human resource, and clinical) were evidence-based, healthcare professional-, and patient advocate-informed. RESULTS: The model estimated that nationally < 2% of patients would have access to the required healthcare resources for treatment with a DMT. Eligibility assessment represented the step with the largest capacity gap across all provinces, with a wait list of about 382,000 Canadians one year following DMT introduction. The top three resource gaps included AD specialist time and positron emission tomography and magnetic resonance imaging exam slots. Sensitivity analysis showed that full reliance on cerebrospinal fluid for eligibility testing increased capacity for assessment by about 47,000 patients. CONCLUSION: This model highlights that the Canadian health system is critically under-resourced to diagnose, assess, and treat patients with eAD with DMT. It underscores an urgent need for national policy and provincial resource allocation to close the gap.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».