Healthcare spending versus mortality in central nervous system cancer: Has anything changed?
Notice bibliographique
Résumé
Background: The financial implications of central nervous system (CNS) cancers are substantial, not only for the healthcare service and payers, but also for the patients who bear the brunt of direct, indirect, and intangible costs. This study sought to investigate the impact of healthcare spending on CNS cancer survival using recent US data. Methods: This study used public data from the Disease Expenditure Project 2016 and the Global Burden of Disease Study 2019. The primary outcome was the annual healthcare spending trend from 1996 and 2016 on CNS tumors adjusted for disease prevalence, alongside morbidity and mortality. Secondary outcomes included drivers of change in healthcare expenditures for CNS cancers. Subgroup analysis was performed stratified by age group, expenditure type, and care type provided. Results: There was a significant increase in total healthcare spending on CNS cancers from $2.72 billion (95% CI: $2.47B to $2.97B) in 1996 to $6.85 billion (95% CI: $5.98B to $7.57B) in 2016. Despite the spending increase, the mortality rate per 100 000 people increased, with 5.30 ± 0.47 in 1996 and 7.02 ± 0.47 in 2016, with an average of 5.78 ± 0.47 deaths per 100 000 over the period. The subgroups with the highest expenditure included patients aged 45 to 64, those with private insurance, and those receiving inpatient care. Conclusions: This study highlights a significant rise in healthcare costs for CNS cancers without corresponding improvements in mortality rate, indicating a mismatch of healthcare spending, contemporary advances, and patient outcomes as it relates to mortality.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 | 0,001 |
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 ».