Association of Patient Cost Sharing With Adherence to GLP-1RA and Adverse Health Outcomes
Notice bibliographique
Résumé
OBJECTIVE: To examine the associations between patient out-of-pocket (OOP) costs and nonadherence to glucagon-like peptide 1 receptor agonists (GLP-1RA), and the consequent impact on adverse outcomes, including hospitalizations and emergency department (ED) visits. RESEARCH DESIGN AND METHODS: This retrospective cohort study used MarketScan Commercial data (2016-2021). The cohort included nonpregnant adults aged 18-64 years with type 2 diabetes who initiated GLP-1RA therapy. Participants were continuously enrolled in the same private insurance plan for 6 months before the prescription date and 1 year thereafter. Exposures included average first 30-day OOP costs for GLP-1RA, categorized into quartiles (lowest [Q1] to highest [Q4]). Primary outcomes were the annual proportion of days covered (PDC) for GLP-1RA and nonadherence, defined as PDC <0.8. Secondary outcomes included diabetes-related and all-cause hospitalizations and ED visits 1 year after GLP-1RA initiation. RESULTS: Among 61,907 adults who initiated GLP-1RA, higher 30-day OOP costs were associated with decreased adherence. Patients in the highest OOP cost quartile (Q4: $80-$3,375) had significantly higher odds of nonadherence (odds ratio [OR] 1.25; 95% CI 1.19-1.31) compared with those in Q1 ($0-$21). Nonadherence was linked to increased incidence rates of diabetes-related hospitalizations or ED visits (incidence rate ratio [IRR] 1.86; 95% CI 1.43-2.42), cumulative length of hospitalization (IRR 1.56; 95% CI 1.41-1.72), all-cause ED visits (IRR 1.38; 95% CI 1.32-1.45), and increased ED-related costs ($69.81, 95% CI $53.54-$86.08). CONCLUSIONS: Higher OOP costs for GLP-1RA were associated with reduced adherence and increased rates of adverse outcomes among patients with type 2 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 | 0,000 | 0,000 |
| 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 ».