Hospital Health Care Costs Following Incident CKD in Japan, Sweden, and the United States
Notice bibliographique
Résumé
Background: Chronic kidney disease (CKD) affects an estimated 10% of the global population. It is associated with cardiorenal complications (e.g. end stage kidney disease and heart failure [HF]), premature mortality, and high healthcare burden and costs. Here we assess hospital healthcare costs following incident CKD. Methods: This study uses secondary data from electronic health records or claims data sources from Japan, Sweden and the US. Adult patients with incident CKD (defined as having either: two estimated glomerular filtration rate [eGFR] measurements ≥ 90 days apart of ≤ 60 mL/min/1.73 m2 or an eGFR measurement ≤ 60 mL/min/1.73 m2 followed by a CKD diagnosis) were identified during 2016-2023. Cumulative costs per patient for hospitalizations associated with a main diagnosis of HF, CKD, myocardial infarction (MI), stroke or peripheral artery disease (PAD) were summarized for up to 5 years after index (date of second eGFR measurement or CKD diagnosis). Results: Overall, 549 884 patients were included (Japan, 74 285; Sweden, 76 133; US, 399 466). In Japan, Sweden and the US, respectively: median ages were 81, 78 and 74 years; 54%, 48% and 37% were males; and across countries the majority (68%) of patients did not have type 2 diabetes. Median eGFR measurements were similar across countries. Hospital healthcare costs associated with cardiorenal events (CKD and HF) were high (Figure). Atherosclerotic cardiovascular disease (MI, stroke and PAD) contributed less to hospital healthcare costs. Conclusions: Hospital healthcare costs were high and largely driven by cardiorenal events (CKD and HF) among patients with incident CKD. This was consistent across all three countries, despite differences in healthcare systems. Funding: Commercial Support - AstraZeneca
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 ».