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 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 | 0,021 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 ».