Characterizing high-cost healthcare users among adults with back pain in Ontario, Canada: a population-based cohort study
Notice bibliographique
Résumé
ABSTRACT: Some patients with back pain contribute disproportionately to high healthcare costs; however, characteristics of high-cost users with back pain are not well defined. We described high-cost healthcare users based on total costs among a population-based cohort of adults with back pain within the Ontario government's single-payer health system across sociodemographic, health, and behavioural characteristics. We conducted a population-based cohort study of Ontario adult (aged 18 years or older) respondents of the Canadian Community Health Survey (CCHS) with back pain (2003-2012), linked to administrative data (n = 36,605; weighted n = 2,076,937, representative of Ontario). Respondents were ranked based on gradients of total healthcare costs (top 1%, top 2%-5%, top 6%-50%, and bottom 50%) for 1 year following the CCHS survey, with high-cost users as top 5%. We used multinomial logistic regression to investigate characteristics associated with the 4 cost groups. Top 5% of cost users accounted for 49% ($4 billion CAD) of total healthcare spending, with inpatient hospital care as the largest contributing service type (approximately 40% of costs). Top 5% high-cost users were more likely aged 65 years or older (OR top1% = 16.6; OR top2-5% = 44.2), with lower income (OR top1% = 3.6; OR top 2-5% = 1.8), chronic disease(s) (OR top1% = 3.8; OR top2-5% = 1.6), Aggregated Diagnosis Groups measuring comorbidities (OR top1% = 25.4; OR top2-5% = 13.9), and fair/poor self-rated general health (OR top1% = 6.7; OR top2-5% = 4.6) compared with bottom 50% users. High-cost users tended to be current/former smokers, obese, and report fair/poor mental health. High-cost users (based on total costs) among adults with back pain account for nearly half of all healthcare spending over a 1-year period and are associated with older age, lower income, comorbidities, and fair/poor general health. Findings identify characteristics associated with a high-risk group for back pain to inform healthcare and public health strategies that target upstream determinants.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».