Population health value of being in target: Results from the Canadian Multi-Morbidity Model for Type 2 Diabetes
Notice bibliographique
Résumé
ObjectiveTo develop a microsimulation model for type 2 diabetes using population-level real-world data. Such a model allows for the synthesis of multiple data sources for comparative effectiveness analysis related to a variety of correlated outcomes. ApproachThe model was built using health state features including sex, age, diabetes duration, laboratory test results, and a history of major acute events. Features update using a cycle length of one month. Events modelled include myocardial infarction, stroke, heart failure, amputation and death. Model outputs include counts of events, lifetime healthcare costs and quality-adjusted life-years (QALYs). We then used the model to calculate the number of events that could be averted if a population with type 2 diabetes achieved treatment targets for HbA1c, blood pressure and LDL-cholesterol for 10 years. ResultsBringing all 60-year-olds with type 2 diabetes into target for 10 years would result in annual event reductions of 87.0 per 100,000 person-years for myocardial infarction, 49.4 for stroke, and 166.8 for heart failure. QALYs would improve by 1,155 per 100,000 patients. For 75-year-olds, annual event reductions would be 178.2, 56.8 and 261.6 per 100,000 person-years, respectively, and QALYs would improve by 2,121 per 100,000 patients. ConclusionsPopulation-level real-world data can be used to develop microsimulation models for type 2 diabetes that estimate long-term event risks, mortality and healthcare costs. This model is capable of comparative effectiveness and cost-effectiveness analysis of novel therapies in diabetes.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».