Cost analysis of the management of end-stage renal disease patients in Abuja, Nigeria
Notice bibliographique
Résumé
BACKGROUND: Although the treatment for end-stage renal disease (ESRD) under Nigeria's National Health Insurance Authority is haemodialysis (HD), the cost of managing ESRD is understudied in Nigeria. Therefore, this study estimated the provider and patient direct costs of haemodialysis and managing ESRD in Abuja, Nigeria. METHOD: The study was a cross-sectional survey from both healthcare provider and consumer perspectives. We collected data from public and private tertiary hospitals (n = 6) and ESRD patients (n = 230) receiving haemodialysis in the selected hospitals. We estimated the direct providers' costs using fixed and variable costs. Patients' direct costs included drugs, laboratory services, transportation, feeding, and comorbidities. Additionally, data on the sociodemographic and clinical characteristics of patients were collected. The costs were summarized in descriptive statistics using means and percentages. A generalized linear model (gamma with log link) was used to predict the patient characteristics associated with patients' cost of haemodialysis. RESULTS: The mean direct cost of haemodialysis was $152.20 per session (providers: $123.69; and patients: $28.51) and $23,742.96 annually (providers: $19,295.64; and patients: $4,447.32). Additionally, patients spent an average of $2,968.23 managing comorbidities. The drivers of providers' haemodialysis costs were personnel and supplies. Residing in other towns (HD:β = 0.55, ρ = 0.001; ESRD:β = 0.59, ρ = 0.004), lacking health insurance (HD:β = 0.24, ρ = 0.038), attending private health facility (HD:β = 0.46, ρ < 0.001; ESRD: β = 0.75, ρ < 0.001), and greater than six haemodialysis sessions per month (HD:β = 0.79, ρ < 0.001; ESRD: β = 0.99, ρ < 0.001) significantly increased the patient's out-of-pocket spending on haemodialysis and ESRD. CONCLUSION: The costs of haemodialysis and managing ESRD patients are high. Providing public subsidies for dialysis and expanding social health insurance coverage for ESRD patients might reduce the costs.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».