The role of mental health and addiction among high-cost patients: a population-based study
Notice bibliographique
Résumé
Aims: Previous work found that, among high-cost patients, those with a majority of mental health and addiction (MHA)-related costs (>50%) incur over 30% more costs than other high-cost patients. However, this work did not examine other high-cost patients in depth or whether they had any MHA-related costs. The objective of this analysis was to examine the role of MHA-related care among other high-cost patients. Methods: Using administrative healthcare data from Ontario, Canada, this study selected all patients in the 90th percentile of the cost distribution in 2012. It focused primarily on two groups based on the percentage of MHA-related costs relative to total costs: (1) high-cost patients with some MHA-related costs (0% > and <50%) and (2) high-cost patients with no MHA-related costs (0%). We examined socio-demographic and clinical characteristics, utilization and costs for both groups, and modeled patient-level costs using appropriate regression techniques. We also compared these groups with high-cost patients with a majority of MHA-related costs (>50%). Results: High-cost patients with some MHA-related costs incurred over 40% more costs than those without ($27,883 vs $19,702). Patients with some MHA-related costs were older, lived in poorer neighborhoods, and had higher levels of comorbidity compared to those without. After controlling for relevant variables, having any type of MHA-related utilization increased costs by $2,698. Having a diagnosis of psychosis had a large impact on costs. Limitations: This study did not examine children and adolescents. We were only able to account for 91% of all costs incurred by the public third-party payer; addiction-related costs from community-based agencies were not available. Conclusions: High-cost patients with MHA incur higher costs compared to those without. When considering interventions aimed at high-cost patients, policy-makers should consider their complex nature, specifically both their physical and MHA-related comorbidities.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».