An analysis of financial hardship faced by patients with First Episode Psychosis, and their families, in an Indian setting
Notice bibliographique
Résumé
BACKGROUND: The economic burden of psychotic disorders is not well documented in LMICs like India, due to several bottlenecks present in Indian healthcare system like lack of adequate resources, low budget for mental health services and inequity in accessibility of treatment. Hence, a large proportion of health expenditure is paid out of pocket by the households. OBJECTIVE: To evaluate the direct and indirect costs incurred by patients with First Episode Psychosis and their families in a North Indian setting. METHOD: Direct and Indirect costs were estimated for 87 patients diagnosed at AIIMS, New Delhi with first-episode psychosis (nonaffective) in the first- and sixth month following diagnosis, and the six months before diagnosis, using a bespoke questionnaire. Indirect costs were valued using the Human Capital Approach. RESULTS: Mean total costs in month one were INR 7991 ($107.5). Indirect costs were 78.3% of this total. Productivity losses was a major component of the indirect cost. Transportation was a key component of direct costs. Costs fell substantially at six months (INR 2732, Indirect Costs 61%). Respondents incurred substantial costs pre-diagnosis, related to formal and informal care seeking and loss of income. CONCLUSION: Families suffered substantial productivity loss. Care models and financial protection that address this could substantially reduce the financial burden of mental illness. Measures to address disruption to work and education during FEP are likely to have significant long-term benefits. Families also suffered prolonged income loss pre-diagnosis, highlighting the benefits of early and effective diagnosis.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».