Costs of physician and diagnostic imaging services for shoulder, knee, and low back pain conditions: A population-based study in Alberta, Canada
Notice bibliographique
Résumé
Objectives: To 1) estimate the utilization and costs of physician and diagnostic imaging (DI) services for shoulder, knee, and low-back pain (LBP) conditions; and 2) examine determinants of the utilization and costs of these services. Methods: All patients visiting a physician for shoulder, knee, or LBP conditions (identified by the ICD-9 codes) in Alberta, Canada, in fiscal year (FY) 2022/2023 were included. Interested outcomes included numbers and costs of physician visits and DI exams stratified by condition, physician specialty, DI modality, and patients' sex and age. Multivariate regressions were used to examine determinants of the outcomes. Results: In FY 2022/2023, 10.4%, 7.0%, and 6.7% of the population saw physicians for shoulder, knee, and LBP conditions, respectively. This costs Alberta $307.04 million ($67.93 per capita), of which shoulder accounted for 41%, knee 28%, and LBP 31%. In the same FY, 17,734 computed tomography (CT), 43,939 magnetic resonance imaging (MRI), 686 ultrasound (US), and 170,936 X-ray exams related to shoulder/knee/LBP conditions were ordered for these patients, costing another $29.07 million, of which CT accounted for 14%, MRI 48%, US 0%, and X-ray 37%. Female, older age, comorbidity scores, and capital zone used physician services more frequently. Patients with a higher comorbidity index scores or more physician visits were more likely being referred for CT or MRI. Conclusion: Musculoskeletal conditions are common and result in patients seeking healthcare services. Visits to family physicians, specialists, and the ordering of DI contribute to extensive utilization of health services, contributing to considerable health system costs.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».