Twenty-year trends in excess costs of chronic obstructive pulmonary disease.
Notice bibliographique
Résumé
<bold>Rationale:</bold> Several major risk factors for chronic obstructive pulmonary disease (COPD), such as population aging, smoking rates, and air pollution levels are rapidly changing, causing inevitable changes in the population burden of COPD. We determined the excess direct costs of COPD and their trend from 2001 to 2020. <bold>Methods:</bold> Using administrative health data from British Columbia, Canada, we created a retrospective cohort of physician-diagnosed COPD patients based on a validated algorithm, matched with a non-COPD cohort on key demographic and socioeconomic factors. Excess direct medical costs (2020 Canadian$) were estimated using generalized linear models by analyzing hospital records, outpatient services, medications, and community-care billing. Comorbidity classes were classified using the International Classification of Diseases, 10th Revision. Excess COPD costs were determined as the adjusted difference in direct medical costs between COPD and non-COPD cohorts. <bold>Results:</bold> There were 208,554 and 404,703 individuals in the COPD and comparison cohorts, respectively (mean age at baseline, 69.1; 47.8% female). The excess costs of COPD were $5,828 [95% confidence interval (CI) 5,758–5,897] per patient-year (PY). Excess costs due to comorbidities were $3,588 (95% CI 3,554–3,622), with cardiovascular-related conditions alone exceeding the costs attributed to COPD ($1,375 vs $904). Excess costs increased by $219/PY, with higher increase in females than males ($222/PY vs $216/PY). <bold>Conclusions:</bold> Despite multifaceted initiatives in prevention and management, COPD-related economic burden, primarily from comorbid conditions, is rising. Escalating COPD costs and prevalence underscore the disease burden.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».