Treated versus self-reported prevalence of chronic pain and costs of patients’ health services utilization: a population-based study of health administrative databases
Notice bibliographique
Résumé
Objectives: To compare treated to self-reported prevalence of chronic pain (CP) and to estimate health services utilization (HSU) costs of patients treated for CP in Alberta, Canada. Methods: Patients treated for CP were identified by the physician billing codes of health services for CP from the practitioner claims database in fiscal year 2021/22. The treated prevalence of CP (number of these patients divided by the population) was compared to the self-reported prevalence of CP previously estimated (doi:10.1371/journal.pone.0272638). Costs of patients' HSU included costs for general practitioner (GP), specialist, inpatient, emergency department, outpatient clinic services, and prescription drugs. Results: The treated prevalence of CP was 6.0% (4.4% among males and 7.8% among females) which was 30% to 41% of the self-reported prevalence. The highest treated prevalence (7.2%) was found in the age group of 18-64 years, followed by age groups of >64 years (7.0%) and <18 years (2.1%). The average cost per patient per year was $5096 ($5878 for males and $4652 for females), of which hospitalizations accounted for 65.0%, outpatient clinic visits 16.4%, ED visits 9.5%, prescription drugs 4.7%, GP visits 3.9%, and specialist visits 0.4%. The total cost of patients with CP for the health system was $1.37 billion (∼7% of total health expenditure), of which males accounted for 41.7% and females for 58.3%. Discussion: Our findings suggest that the economic burden of CP is considerable and that many people with self-reported CP do not use the public healthcare services. This can be multifactorial, including lack of availability and accessibility of publicly funded services, people's lack of awareness of available services, lower utilization due to COVID-19 pandemic, and reliance on self-management, private services, and alternative treatments. Further studies are warranted to inform future policies and health system initiatives aiming to reduce the burden of CP and improve lives of people living with it.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».