Risk of Progression and Costs of Care for Patients with Type 2 Diabetes and Chronic Kidney Disease
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Chronic kidney disease (CKD) progression is associated with a significant incremental economic burden. Previous work has demonstrated high accuracy of the laboratory-based machine learning model, Klinrisk, in predicting the risk of CKD progression. We sought to use the Klinrisk model to evaluate the association of risk of CKD progression with healthcare resource utilization (HRU) and costs of care in adults with type 2 diabetes and CKD. METHODS: This retrospective observational study included 413,177 eligible patients from Optum's electronic health records database (1/1/2007-9/30/2022). Patients were classified into low-, medium-, and high-risk groups based on their 2-year risk of CKD progression as predicted by the Klinrisk model. All-cause HRU and medical costs during the 1 year after CKD were estimated for each group. RESULTS: Of the 413,177 patients included, 110,399 (26.7%) were classified as low-risk of CKD progression, 253,188 (61.3%) as medium-risk, and 49,590 (12.0%) as high-risk. The observed risk of CKD progression at 2 years, 5 years, and 10 years was 18.6%, 36.5%, and 54.1% for high-risk patients, 3.7%, 11.7%, and 26.4% for medium-risk patients, and 1.5%, 5.7%, and 15.8% for low-risk patients, which were similar to the predicted risks of CKD progression. High-risk patients had higher HRU and more than 2-3 times higher costs than lower-risk patients. Inpatient costs were the major cost driver for high-risk patients. CONCLUSIONS: The Klinrisk model accurately identified patients with type 2 diabetes and CKD requiring the most healthcare resources. Such tools can support the identification and targeting of high-risk patients for interventions that may lead to a more cost-effective model of care.
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.
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 découle