Estimating Budget Impact and Joint Replacement Avoidance by Implementing a Standardized Education and Exercise Therapy Program for Hip and Knee Osteoarthritis in a Publicly Insured Health Care System
Notice bibliographique
Résumé
OBJECTIVE: The study objective was to estimate the budget impact of funding a standardized education and exercise therapy program, Good Life with osteoArthritis in Denmark (GLA:D) for people with hip and knee osteoarthritis (OA) waiting for total joint replacement (TJR) consultation in a universal publicly insured health care system in Canada. METHODS: We built a budget impact analysis model to estimate the annual cost (Canadian dollars) of providing the GLA:D program to people waiting for a TJR consultation and then forecasted a three-year budget cycle. The base case assumes that 40% attend GLA:D sessions, that 11% avoid surgery, uniform care delivery, that training costs are incurred separately, and that the health care system has enough trained staff to meet demand. The population of people with hip and knee OA waiting for a TJR consultation was estimated with government statistics, peer-reviewed evidence, and routinely collected data from five orthopedic centralized intake clinics (serving 80% of people seeking TJR). Patient-level costs were collected prospectively. International published evidence informed the TJR avoidance estimates. A one-way sensitivity analysis of key parameters evaluated model robustness. Four scenarios were analyzed: public funding for everyone (base case), low-income, rural, and uninsured persons. RESULTS: Funding GLA:D would cost $4.3 million, serve 12,500 people, and save $8.5 million by avoiding 1,300 TJRs in year one. Savings grow to $8.8 and $8.7 million in years two and three. The number of TJRs performed annually produced the most uncertainty in budget impact (-$15.3 million, -$1.8 million). The most cautious parameter estimates still produce cost savings. CONCLUSION: Publicly funding standardized education and exercise therapy programs for everyone waiting for a TJR consultation would avoid surgeries, improve access to evidence-based treatments, and save more than the program 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 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 | 0,007 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 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 ».