Demographic profiling and cost-analysis of orthopedic care in methamphetamine users at a Canadian level 1 trauma center
Notice bibliographique
Résumé
ABSTRACT Background Methamphetamine (meth) is an addictive stimulant that increases risk of trauma and infections. Global meth use continues to rise and the economic impact of meth use on the orthopedic trauma system is poorly understood. This study aims to identify the economic impact meth use exerts on emergent orthopedic care. Methods The meth user cohort was identified using the Manitoba Centre for Health Policy (MCHP) database and compared to a matched control group based on age, sex, income quintile (Q) and orthopedic diagnosis (between 2015-2019). Healthcare spending during the first year following injury was calculated using hospital abstract data and adjusted for inflation. Results A total of 109 meth users were identified, including 49 (45.0%) males and 60 (55.0%) females. Eighty-eight (81.0%) meth users were classified as low-income (Q1-2), while 21 (19.3%) were above low-income (Q3-5). Seventy-two (66.1%) were in the 18-39 age range, while 37 (34.0%) were in the 40-64 age range. Fifty-eight meth users (28 male (48.3%), 30 female (51.7%)) comprised orthopedic diagnoses with unsuppressed data (n>5), including septic arthritis (18), forearm fractures (14), vertebrae fractures (7), tibia fractures (7), spine infections (6) and ankle/hindfoot fractures (6). The one-year healthcare cost-ratios for meth users were: septic arthritis 1.68 (p=0.021), forearm fractures 3.18 (p<0.0001), vertebrae fractures 0.56 (p=0.12), tibia fractures 1.47 (p=0.22), spine infections 0.72 (p=0.40) and ankle/hindfoot fractures 1.30 (p=0.19). The total one-year cost-ratio for meth users was 1.99 (p<0.0001). Conclusion There is significant resource utilization among meth users undergoing emergent orthopedic surgery. Meth users in our study demonstrated higher treatment costs, particularly for septic arthritis and forearm fractures. Healthcare providers and policymakers must prioritize strategies aimed at harm reduction to minimize adverse patient outcomes and healthcare spending.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».