The real-world observational prospective study of health outcomes with dulaglutide and liraglutide in type 2 diabetes patients (TROPHIES): resource use and costs of treatment in clinical practice in France, Germany, and Italy
Notice bibliographique
Résumé
AIMS: To describe healthcare resource utilization (HCRU) and associated costs after initiation of injectable glucagon-like peptide-1 receptor agonist (GLP-1 RA) therapy by adult patients with type 2 diabetes (T2D) in the prospective, observational, 24-month TROPHIES study in France, Germany, and Italy. MATERIALS AND METHODS: HCRU data for cost calculations were collected by treating physicians during patient interviews at baseline and follow-up visits approximately 6, 12, 18, and 24 months after GLP-1 RA initiation with once-weekly dulaglutide or once-daily liraglutide. Costs were evaluated from the national healthcare system (third-party payer) perspective and updated to 2018 prices. RESULTS: In total, 2,005 patients were eligible for the HCRU analysis (1,014 dulaglutide; 991 liraglutide). Baseline patient characteristics were generally similar between treatment groups and countries. The largest proportions of patients using ≥2 oral glucose-lowering medications (GLMs) at baseline (42.9-43.4%) and month 24 (44.0-45.1%) and using another injectable GLM at month 24 (15.3-23.2%) were in France. Mean numbers of primary and secondary healthcare contacts during each assessment period were highest in France (range = 4.0-10.7) and Germany (range = 2.9-5.7), respectively. The greatest proportions (≥60%) of mean annualized costs per patient comprised medication costs. Mean annualized HCRU costs per patient varied by treatment cohort and country: the highest levels were in the liraglutide cohort in France (€909) and the dulaglutide cohort in Germany (€883). LIMITATIONS: patient-completed diaries. CONCLUSIONS: Real-world HCRU and costs associated with the treatment of adults with T2D with two GLP-1 RAs in TROPHIES emphasize the need to avoid generalization with respect to HCRU and costs associated with a particular therapy when estimating the impact of a new treatment in a country-specific setting.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».