The current and future total health care costs of atrial fibrillation
Notice bibliographique
Résumé
Abstract Background Atrial fibrillation (AF) is the most common arrhythmia encountered in clinical practice, yet detailed information on the cost burden remains sparse. These data are essential for determining resource allocation, benchmarking care, identifying areas for more efficient healthcare delivery and to measure effects of alternative treatment strategies. Purpose We sought to examine costs for inpatient, ambulatory, physician, and drugs for AF and model future costs. Methods In this retrospective population-based cohort study, we used linked administrative databases to identify all adult patients presenting to any healthcare setting with nonvalvular AF (NVAF) as the most responsible diagnosis in our city, Canada, from fiscal years 2010-2018. Costs for inpatient, ambulatory, physician, and drugs were estimated, in 2019 Canadian dollars, by using Statistics Canada Consumer Price Index. A two-part cost model with logit and gamma generalized linear model was developed to predict costs from 2019 to 2030. Results There were 48,854 NVAF patients. The median age was 70 [59.0,80.0] years, 55% were male, and median CHADS-Vasc score = 3.0 [1.0,4.0]. NVAF-related costs were $1.4 billion dollars (inpatient $1.1 billion, ambulatory $107.0 million, physician $59.6 million, drugs $140.1 million) and represented 36.8% of total costs (Figure 1). The per patient cost of NVAF was $30.1 thousand. Over the study period, costs increased by 2.2% for inpatient, 40.5% for ambulatory, 67.1% for physician, and 214.2% for drugs. By 2030, we estimate there will be 54,523 NVAF patients. NVAF-related costs from 2019 to 2030 are estimated to be $3.6 billion (inpatient $2.5 billion, ambulatory $310.5.0 million, physician $197.5 million, drugs $610.4 million) and will represent 32.1% of total costs (Figure 1). Conclusions Costs for AF are on the rise and the distribution of costs are changing. Although inpatient costs represent the highest proportion of total AF costs, they are projected to decrease while costs due to ambulatory, physician and drug costs are increasing.
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 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 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) | 0,004 | 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 ».